Multiverse Computing 在其最新論文《Efficient Knowledge Distillation for LLMs: Offline Top‑K Logits and a Fused Chunked KL Loss》中提出離線 Top‑100 logits 快取與分塊 KL 損失兩項改進。
推薦理由：本文提出的離線Top‑K logits快取和分塊KL損失顯著降低視訊記憶體需求，使大規模LLM蒸餾可在單GPU上完成，降低成本並提升實驗效率。
Google Research 在其 Willow 超導處理器上演示了利用強化學習實現量子計算機持續校準的方法，顯著降低了邏輯錯誤率。實驗中，RL 訓練將錯誤率降低 3.5 倍，最終邏輯錯誤率低至每千個糾錯週期不到一次，並在數百量子位元的模擬中驗證了可擴充套件性。該方法將量子錯誤檢測事件作為主動學習訊號，展示了可持續計算的新範式。
推薦理由：通過強化學習實現量子計算機持續校準，顯著降低邏輯錯誤率，展示了可擴充套件的自適應控制方法，為未來大規模量子計算提供可行路徑。
Google Research 通過數學分析解釋了擴散模型的創造力來源，指出正則化導致的分數平滑使模型在去噪過程中產生插值，從而生成新穎影像。文章以一維示例說明分數平滑如何軟化梯度，並通過實驗驗證權重衰減對其影響；在多維情形下，分數平滑幫助模型在資料流形上平衡質量與新穎性。作者已公開實驗程式碼。
推薦理由：本文闡釋擴散模型創造力來源，揭示正則化導致的分數平滑如何產生新穎影像，並指出可通過調節正則化實現更具創造性的生成。
Google Research 在部落格中公佈了一種零信任聚合方案，利用單次加密提交和TEE硬體隔離，提供了更高效的隱私分析。該方案基於晶格加密，客戶端可在單條訊息中提交資料，伺服器僅能解密聚合結果；TEE 進一步驗證協議執行。Google 已將此技術用於 SafetyCore、Pixel Recorder、Gboard 等 Android 裝置，以在不洩露使用者內容的前提下評估模型效能並提升安全性。
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。