K-Search: 将 CUDA 内核专业知识迁移到 Apple Silicon MLX
研究人员通过在 K-Search 进化框架中加入 CUDA-to-MLX 翻译层，实现了高性能 Apple Silicon 内核的自动生成，性能接近专家水平。
ABBEL: 教授LLM更新信念以实现高效长时交互
BAIR提出了ABBEL，一个使用监督的自然语言信念状态的框架，以减少长时任务中递归上下文摘要所带来的性能差距和内存开销。
智能是免费的，现在怎么办？面向代理、由代理构建以及由代理驱动的数据系统
BAIR 研究者提出了一种新框架，用于在 AI 推理成本趋近于零时，重新设计数据系统以适应代理工作负载、代理状态管理以及代理驱动的系统合成。
BAIR 2026 毕业生展示
伯克利人工智能研究（BAIR）实验室宣布了其2026届博士毕业生，突出了机器人、大型语言模型、AI安全和医疗保健方面的研究。
自适应并行推理：高效推理扩展的新范式
BAIR 介绍了自适应并行推理 (APR)，这是一种允许 LLM 动态决定何时并行化推理线程，从而在保持准确性的同时降低延迟并避免上下文退化的范式。
GRASP：面向更长视野的世界模型梯度规划
BAIR 引入了 GRASP，这是一种基于梯度的规划器，通过将轨迹提升到虚拟状态并将梯度限制在动作上，从而规避对抗性的状态输入敏感性，实现了在学习到的世界模型中稳健的长视野规划。
BAIR 推出用于可扩展 LLM 交互发现的 SPEX 与 ProxySPEX
BAIR 推出了 SPEX 和 ProxySPEX，这些算法利用信号处理和编码理论在大规模上识别特征、训练数据和模型组件之间的影响交互。
基于信息驱动的成像系统设计
BAIR 的研究人员开发了一个基于互信息的框架，用于评估和优化成像系统，使得在无需任务特定解码器的情况下即可实现高性能硬件设计。
传递强化学习：通过分治法扩展离策略强化学习
BAIR 提出了传递强化学习（TRL），一种分治价值学习算法，它消除了时间差分（TD）学习，以无需 n 步调谐的方式将离策略强化学习扩展到长 horizon 任务。
word2vec 学到的内容：特征学习的闭式理论
BAIR 研究人员提出了一种预测性理论，证明 word2vec 的学习可以简化为无权重的最小二乘矩阵分解，学习得到的表示实际上是对特定目标矩阵进行主成分分析（PCA）的结果。
BAIR PEVA：全身条件化自我中心视频预测
BAIR 引入了 PEVA，这是一种面向具身代理的世界模型，能够基于高维全身运动学姿态轨迹预测自我中心视频帧。