Google Research 推出了 TurboQuant 壓縮演算法及相關演算法 Quantized Johnson-Lindenstrauss 和 PolarQuant，用於解決向量量化中的記憶體開銷問題。實驗表明，TurboQuant 在長文本基準測試中能夠將 KV 快取記憶體大小減少至少 6 倍且不損失模型準確率，並在 H100 GPU 上實現了顯著的計算加速。
推薦理由：原文給出了新演算法的壓縮率和長文本評測結果，讀者可以據此評估其在降低記憶體開銷方面的實際效用。
Google Research 推出了 S2Vec，這是一個旨在學習城市和建築環境通用嵌入的自監督框架。該框架利用 S2 幾何庫將地球表面劃分為多解析度單元，將要素光柵化為多層影像，並通過掩碼自編碼技術在不需要手動標籤的情況下捕捉地理空間特徵。評估結果表明，S2Vec 在零樣本地理適應等社會經濟預測任務中表現出極強的效能，但在樹木覆蓋和高程等環境任務中仍需結合衛星影像嵌入來提升效果。
Google Research 與英國國家醫療服務體系等機構合作在 Nature Cancer 發表了兩項研究，評估了基於人工智慧的乳腺癌檢測系統。研究表明，該系統在獨立篩查中展現出更高的癌症檢測靈敏度，並在融入雙人閱讀工作流時達到了非劣效的整體效能，同時有望大幅減少人工閱讀的工作量。
推薦理由：原文公佈了兩項評估乳腺癌篩查人工智慧系統的研究結果，讀者可以據此瞭解人工智慧在醫療影像診斷中的效能表現與臨床整合潛力。
Google Research 聯合多所高校在 PNAS 發表論文，評估了大語言模型在凝聚態物理學高溫超導專家級問題上的表現。研究發現，基於封閉受控資料來源的 NotebookLM 與定製系統表現優於聯網模型，並指出了現有系統在事實準確性、時效理解和圖表分析方面的不足。
推薦理由：這項研究評估了大語言模型在高溫超導領域的表現，為開發面向科學發現的可信工具提供了實證依據。
本文介紹了 SPEX 與 ProxySPEX 兩種演算法，利用稀疏恢復和層次結構在大規模 LLM 互動識別中顯著降低計算成本。SPEX 通過訊號處理和編碼理論實現數千個元件的交互發現，ProxySPEX 在保持效能的同時將 ablation 數量減少約 10 倍。兩種方法已在 SHAP‑IQ 倉庫公開，支援特徵、資料和模型元件的解釋。
推薦理由：SPEX 和 ProxySPEX 通過稀疏恢復和層次結構顯著降低了交互發現的計算成本，為大規模 LLM 解釋提供了可行方案。
研究人員提出一種基於資訊量的成像系統評估與最佳化框架，能夠直接衡量測量的區分能力。該框架通過從噪聲測量中估計互資訊，預測四個領域（彩色攝影、射電天文、無鏡成像、顯微鏡）的解碼效能，並在不需要重建演算法的情況下實現與最先進端到端方法相當的設計，同時降低記憶體和計算需求。
伯克利人工智慧研究團隊發表論文，為經典語言建模任務 word2vec 的學習過程提供瞭解析理論。研究證明在實際訓練設定下，該學習問題可簡化為無加權最小二乘矩陣分解，其梯度流動力學可通過閉式求解，學到的最終表徵即為主成分分析結果。