K-Search: 將 CUDA 核心專業知識轉移到 Apple Silicon MLX
研究人員已將 CUDA-to-MLX 翻譯層擴充到 K-Search 演化框架，使得能夠自動生成高效能的 Apple Silicon 核心，其性能可達近專家水準。
ABBEL: 教導LLM更新信念以實現高效長期互動
BAIR 推出 ABBEL，一個使用監督式自然語言信念狀態的框架，以減少長期任務中遞歸內容摘要所帶來的效能差距和記憶開銷。
智慧是免費的，現在怎麼辦？為代理人、由代理人以及由代理人設計的資料系統
BAIR 研究人員提出了一個新框架，用於重新設計資料系統以適應代理人工作負載、代理人狀態管理以及代理人驅動的系統合成，當 AI 推理成本趨近於零時。
BAIR 2026 畢業生展示
Berkeley 人工智慧研究 (BAIR) 實驗室宣布了其 2026 屆博士畢業生，凸顯了機器人、大型語言模型、AI 安全與醫療領域的研究。
自適應平行推理：高效推理擴展的下一範式
BAIR 提出自適應平行推理（APR），這一範式讓 LLM 能動態決定何時平行化推理執行緒，以降低延遲、避免 context‑rot，且在保持準確度的同時提升效率。
GRASP：針對較長視野的世界模型之梯度規劃
BAIR 介紹了 GRASP，一種梯度式規劃器，透過將軌跡提升至虛擬狀態並將梯度僅限於動作，以避免對狀態輸入的對抗性敏感性，從而在學習的世界模型中實現穩健的長視野規劃。
BAIR 介紹 SPEX 與 ProxySPEX 用於可擴展的 LLM 互動發現
BAIR 已推出 SPEX 與 ProxySPEX，這兩種演算法結合訊號處理與編碼理論，能在大規模下辨識特徵、訓練資料與模型元件之間具影響力的互動。
以資訊驅動的影像系統設計
BAIR 的研究人員開發了一個框架，利用互資訊來評估與優化影像系統，使得在不需要特定任務解碼器的情況下即可設計高效能硬體。
Transitive RL: 透過分治法擴展離策略強化學習
BAIR 提出 Transitive RL (TRL)，一種分治法價值學習算法，消除了時間差分 (TD) 學習，以免需進行 n-step 調整即可將離策略強化學習擴展至長時域任務。
word2vec學習了什麼：特徵學習的閉式理論
BAIR研究人員提出了一個可預測的理論，證明word2vec的學習可簡化為無權重最小二乘矩陣分解，學得的表示實質上是對特定目標矩陣進行主成分分析（PCA）的結果。
BAIR PEVA：全身條件化自我中心視訊預測
BAIR 引入 PEVA，一個為具身代理人設計的世界模型，能根據高維全身運動學姿態軌跡預測自我中心視訊影格。