从 CUDA 到 MLX：K-Search 如何把数十年内核经验带到 Apple Silicon
IBM Research 与 UC Berkeley Sky Lab 将 K-Search 进化式内核搜索框架扩展到 MLX，通过结构化 CUDA-to-MLX 翻译层把现有 CUDA 内核作为知识库，在 Apple Silicon 上生成高质量内核。
推荐理由：读者可以看到 CUDA 内核经验如何被结构化翻译到 MLX，以及翻译层对搜索结果的量化影响。
全部 AI 动态
Berkeley AI Research精选AI 评分6262
Berkeley AI ResearchAI 评分3232 伯克利提出 ABBEL：用信念状态监督让 LLM 高效完成长程交互
伯克利 AI 研究提出 ABBEL 框架，将 LLM 的交互摘要建模为自然语言"信念状态"，并通过信念评分（belief grading）监督其信息内容。在协作编程基准 CollabBench 上，采用通用重建式信念评分的 ABBEL-rec-BG 将相对全上下文模型的性能差距缩小约 50%，训练步数从 100 降至 50，峰值 token 长度也低于全上下文设置。
Berkeley AI ResearchAI 评分3434 智能免费之后：面向智能体、由智能体构建的数据系统
随着推理成本从 2023 年初 GPT-4 级约 $30/百万 tokens 降至如今不到 $1，部分厂商已低于 $0.10，基准测试显示推理价格每年下降 9x 至 900x、中位数约 50x，UC Berkeley EPIC Data Lab 提出数据系统面临三大新挑战：为智能体设计的数据系统、运行智能体集群的数据系统、以及由智能体合成数据系统。
Berkeley AI ResearchAI 评分1212 2026 BAIR 研究生展示：伯克利 AI 博士毕业生去向一览
伯克利 BAIR 实验室展示 2026 届 AI 博士毕业生，研究方向涵盖机器人、大语言模型与推理、计算机视觉、生成建模、AI 安全、人机交互及 AI for science 与医疗。毕业生去向包括 OpenAI、Mistral AI、Physical Intelligence、Amazon 等机构，以及 UCLA、芝加哥大学教职和自主创业。
Berkeley AI ResearchAI 评分3636 自适应并行推理：高效推理扩展的下一个范式
伯克利 AI 研究团队梳理了并行推理领域进展，重点分析自适应并行推理——让模型自行决定何时分解并并行化独立子任务、生成多少并发线程以及如何协调。现有方法如自一致性、Best-of-N、Tree/Graph of Thoughts、MCTS 及 ParaThinker、GroupThink、Hogwild! Inference 等，其并行结构多由模型外部预先设定，未教会模型自适应行为。
Berkeley AI ResearchAI 评分3535 GRASP：面向世界模型的梯度规划器，实现更长视野规划
伯克利 AI 研究团队提出 GRASP，一种面向学习动力学（世界模型）的梯度规划器，通过将轨迹提升为虚拟状态使优化在时间上并行、向状态迭代直接注入随机性以探索、并重塑梯度让动作获得清晰信号，从而让长视野规划变得可行。
Berkeley AI ResearchAI 评分3838 伯克利提出 SPEX 与 ProxySPEX：大规模识别 LLM 关键交互
伯克利 AI 研究团队提出 SPEX 与 ProxySPEX 算法，用于在大规模场景下识别 LLM 的关键交互。SPEX 利用稀疏性与低阶性，将交互搜索转化为稀疏恢复问题；ProxySPEX 进一步利用层级结构，以约少 10 倍的消融次数达到 SPEX 的性能。在情感分析任务上，SPEX 在上下文扩展至数千特征时仍保持高忠实度，优于 LIME、Banzhaf 等边际方法。
Berkeley AI ResearchAI 评分3030 信息驱动的成像系统设计：Berkeley AI Research 提出基于互信息的成像系统评估与优化框架
Berkeley AI Research 提出一种基于互信息的成像系统评估与优化框架，仅用含噪测量和噪声模型即可量化测量对物体的区分能力，该成果发表于 NeurIPS 2025。该指标在彩色摄影、射电天文学、无透镜成像和显微镜四个领域预测了解码器性能，优化后得到的设计与 SOTA 端到端方法相当，但内存和计算需求更低，且无需任务专用解码器。