GitHub Copilot 应用如何渲染超大 pull request
GitHub Copilot 应用重建了 pull request 视图，以应对超大 diff 与评论带来的渲染压力。团队用一个含 2,200 个文件、超 100 万行改动、400 多条行内评论的开源 pull request 做验证，将文档高度拆成确定性的代码几何与动态评论块两套几何，评论高度按需测量并锚定到文件、行和侧，避免滚动跳动。
#部署/工程
GitHub Blog · AI & MLAI 评分2222 Microsoft Research精选AI 评分6060 微软研究院：将物理 AI 推理卸载到边缘或云端可提升机器人性能与续航
微软研究院对移动操作机器人工作负载做了首次系统性测量，发现把物理 AI 推理从机器人端侧 GPU 卸载到边缘或云端 GPU，可提升任务成功率、支持更大模型并延长续航。
推荐理由：微软研究院系统测量了机器人端侧推理的性能与续航代价，并给出可复用的卸载工具链，适合关注具身智能系统架构的读者。
Google DeepMind精选AI 评分6262 Google 为 Private AI Compute 引入安全服务端持久记忆
Google Private AI Compute 团队公布为 Private AI Compute 平台引入私有服务端记忆的技术方案，让云端 AI 助手能在跨设备场景下持久保留上下文，同时维持端侧级别的隐私标准。
推荐理由：Google 给出私有 AI 计算新增持久化服务端记忆的架构细节，可据此理解云端助手如何在跨设备场景下保留上下文。
GitHub Blog · AI & ML精选AI 评分8585 GitHub 用 Copilot 把 Copilot 运行时迁移到 Rust
GitHub 用 GitHub Copilot app 和 Copilot CLI 把 Copilot agent runtime 从 TypeScript 完全重写为超过 80 万行生产级 Rust，AI 智能体写了大部分代码，分布在 128 个 PR 中增量合入 main，而非一次性切换。
推荐理由：作者以亲历者身份复盘用 AI 智能体把 80 万行运行时从 TypeScript 迁到 Rust 的完整工程方法，可迁移到大规模重构。
Mistral AIAI 评分3838 Mistral 与 Cloudera 达成合作，将主权 AI 引入企业数据平台
Mistral 与 Cloudera 宣布合作，将 Mistral 模型集成进 Cloudera 混合数据平台，企业可在私有云、公有云、本地及完全气隙环境中部署推理并保持完全控制。企业还能在受控环境中用专有数据训练定制模型，数据与由此产生的智能均归企业所有。Cloudera 平台承载 30 exabytes 客户自管数据。
Mistral AI精选AI 评分6060 Mistral 用 AI 智能体迁移 4 万行 Fortran 77 遗留代码
Mistral 帮助一家欧洲能源运营商把 4 万行 Fortran 77 的油藏模拟器迁移到 C++，该代码库没有测试套件也没有集中文档。团队先搭建数值对齐测试框架，用自定义解析器生成调用树并派出上百个智能体补文档，最终采用人工把关的 coder、tester、reviewer 智能体工作流逐模块迁移。
推荐理由：Mistral 公开了用智能体迁移 4 万行 Fortran 的完整工作流，其中先建数值对齐测试再迁移的做法可直接迁移到其他遗留系统改造。
Mistral AIAI 评分4040 Mistral 与 HUMAIN 达成战略合作，推进沙特及中东主权 AI
Mistral 与 HUMAIN 宣布在 AI 基础设施、先进模型开发和 AI 解决方案部署上展开战略合作，初期聚焦网络安全与语音，并计划开发阿拉伯语表现强劲的前沿模型。合作规模达数亿欧元，Mistral 将探索使用 HUMAIN 的数据中心基础设施，双方还计划在沙特面向受监管行业制定联合市场策略。
Microsoft ResearchAI 评分4141 微软 Skala 1.1 发布：训练数据增至 2.5 倍，并集成进 CP2K 等主流 DFT 软件
微软研究院发布深度学习交换关联泛函 Skala 1.1，训练数据量为此前公开版本的 2.5 倍，在 GMTKN55 基准 55 个类别中 32 项排名第一，加权平均误差 2.8 kcal/mol。Skala 现已在 CP2K 中可用，并正集成进 Psi4、FHI-aims、ORCA 和 VASP，同时微软推出持续追踪各版本计算性能的 living benchmark。
Mistral AI精选AI 评分7171 Mistral 发布 Agentic Search，用多步检索循环替代一次性 RAG
Mistral 发布 Agentic Search，作为检索层让模型在多步循环中查找、打开、导航、阅读和校验复杂文档中的信息，通过 Mistral Search Toolkit 提供，并内置在 Studio 和 Vibe 的 Libraries 中。
推荐理由：原文给出多步检索循环在 FinanceBench 与 OfficeQA Pro 上的准确率、token 与延迟变化，可据此判断它与一次性 RAG 的差别。
Berkeley AI Research精选AI 评分6262 从 CUDA 到 MLX：K-Search 如何把内核优化经验带到 Apple Silicon
Berkeley AI Research 与 IBM Research 将 K-Search 进化式内核搜索框架扩展到 MLX，并加入结构化 CUDA-to-MLX 翻译层，让已有 CUDA 内核作为知识库适配 Apple Silicon。
推荐理由：读者可看到 CUDA 内核经验如何被结构化迁移到 Apple Silicon，以及翻译层对性能差距的具体贡献。
Berkeley AI ResearchAI 评分3434 智能免费之后怎么办？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 token 降至如今不足 $1、部分厂商低于 $0.10，AI 正进入"近乎免费智能"时代。UC Berkeley 的 Aditya G. Parameswaran 等人提出三类新挑战：为智能体设计的数据系统、运行智能体集群的数据系统、以及由智能体自行合成的数据系统。
Berkeley AI ResearchAI 评分3434 自适应并行推理：高效推理扩展的下一个范式
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它们。现有并行推理方法多由外部固定并行结构，如 Self-consistency、Best-of-N、Tree of Thoughts、MCTS，以及 ParaThinker、GroupThink、Hogwild! Inference 等新变体，但都未让模型学会这种自适应行为。