Window: 2026-07-07 ~ 2026-07-09
Sources: HN / arXiv / tech blogs / Chinese media / embodied RSS
Date: 2026-07-09
🌟 今日亮点
- 超节点重构 MoE 推理:UBEP 直面 NVL72/576 与 CloudMatrix384 上 MoE 通信瓶颈,给出重构版专家并行库,是"下一代超节点 × MoE 推理"必读工程论文。
- Mistral 入局机器人基础模型:Robostral Navigate 以 SOTA 导航模型形式亮相,欧洲玩家正式向 π0 / OpenVLA / RT-X 阵营发起挑战,VLA 竞争进入多极格局。
- GPT-Live 上线:OpenAI 把实时多模态感知/交互开出正式产品线,为遥操作、VLA 端侧感知与消费端 always-on Agent 提供底座。
- 移动端 LLM 系统级测量:5 框架 × 3 后端的跨层实测第一次系统回答"手机 NPU 是否 ready",给出 PowerBench 工具链,是端侧推理研究的新基准工作。
- 欧盟强制车内驾驶员摄像头 + PS 数字游戏删除条款:双政策共振——前者做实边缘 VLM/NPU 需求,后者推动"数字所有权"合规倒逼云与端侧协同重设计。
1️⃣ AI 芯片
-
与自适应位序 (Adaptive Bit Ordering),避免 ReLU 输出为 0 时仍处理全部位宽的浪费,是 bit-serial 架构做端侧视觉的一次工艺级(12nm 流片)落地。
-
— 大部分 aDBS 方案停留在算法/软件层,该工作把神经元动力学下沉到硅上,是"神经形态芯片进医疗器械"少见的电路级实现。
-
进而扰动上游电力电子/新能源接入。对于 100kW+ 机架和自建光伏/储能的 AI 数据中心,这是首次把"计算侧攻击"和"电网稳定性"直接串起来的漏洞披露。
-
— 绕开全局布线网络的 BRAM-DSP 短路径,针对 DL 工作负载缩短关键路径,是 FPGA 架构演进对抗 NPU/GPU 的最新尝试。
-
— 面向 3D 堆叠的 TSV 规划,用 GPU 把 EDA 里的 effective resistance 求解并行化,是 3D IC 走向 chiplet+HBM 时代必要的工具链。
2️⃣ AI 编译器与框架
-
把演绎证明失败信息回喂给 LLM。对 XLA/TVM/MLIR 里做仿射循环优化和验证的方向有直接借鉴意义。
-
编译化,是把 Halide 式 schedule/algorithm 分离思路推向生信 DP 内核的一次系统工作,长远看和 Triton/Mojo 追求的"科学计算 DSL"路线共振。
-
— 甩掉控制流图仍保留流敏感,大幅降低编译期指针分析开销;对 LLVM/MLIR 里做全程序优化的 pass 是量级级的性能提升。
-
处理——每一步只给 LLM 看结构化状态的一个视图,更新时做类型校验。对 vLLM/SGLang 之上的 agent runtime 有工程价值。
-
— 用编译器/文法的思路机械化判定 LLM 生成内容能否进入语料库,是给"AI slop 危机"提出的一个结构化解法,兼跨 2/5 类。
3️⃣ AI 推理优化(数据中心)
-
上,是数据中心 MoE 推理今年最重要的 systems 工作之一。
-
— Muon 这类矩阵型优化器需要完整 2D 矩阵做 Newton-Schulz 正交化,天然和 FSDP/ZeRO-3 的分片语义冲突。作者给出免通信版本,是"下一代优化器 × 大规模分布式训练"必须过的一关。
-
— 把 CP 思路推广到 RFdiffusion 3,做 1D 行分片和 2D 网格分片,让蛋白质多链复合体设计突破单 GPU 显存墙。生物场景验证 CP 已经从 LLM 长上下文外溢到通用 all-atom 生成模型。
-
4️⃣ 数据中心与基础设施
-
作者提出有界内存并行拉取方案,面向训练扩容和主机滚动更新,是把 Kubernetes/容器基础设施优化重新对齐 AI 工作负载的代表性系统工作。
-
— 传统交互式调试假设单进程,call stack 在进程边界断开。DDB 让开发者能像单机 gdb 一样跨节点暂停/查栈/查状态,对训练框架/RPC 中间件的 debug 是一次工具级进步。
-
与 Dual-CRDT 去中心化信任治理、Layer 2 协调可持续可信设置 三篇 cs.DC 集中在链上/去中心化调度,与 AI 集群关联较弱,仅列备份视角。
-
架构提出反面警示,也在推动欧盟对"数字所有权"的立法压力,间接影响云基础设施的合规设计。
5️⃣ AI 安全与治理
-
-
的又一案例,对红队 vs 可用性的权衡讨论热度极高。
-
-
— 用文法机械化判定 AI 生成内容是否可入库,给"AI slop"提供 formally-grounded 治理框架。
-
— 把 agent 执行外壳建模为可学习的 Harness MDP,是"agent 可控性"研究向 RL 化推进的信号,与治理/可靠性密切相关。
6️⃣ 具身智能
-
标志欧洲玩家正式入局与 π0/OpenVLA/RT-X 竞争的 VLA 生态。
-
必须的底层能力,机器人厂商必然快速接入或对标。
-
— 现有 video-action 联合训练偏"外观隐空间",难以捕捉精细操作所需的时序几何。作者引入多专家协同的 4D 几何先验,是 WAM 类模型从"能看"到"能操作"的关键一步。
-
补齐家用/服务机器人的空间记忆能力。
-
与 Evidential Mamba 不确定性感知速度校正、物理正则化 ML 车载本体定位、四元数平均自适应互补滤波 PDR — 智能驾驶/PDR 在 GNSS 缺失/传感器噪声下的稳健定位与预测,构成本轮 cs.RO 的第二条主线。
-
(见 3)、高效迁移学习:形态学相似机器人的动力学模型迁移、经典 vs 控制感知最优轨迹规划的动态评估 — 分别为具身领域的模型迁移、控制融合规划提供了新基线。
7️⃣ AI 自动算子与代码生成优化
-
的代表性工作,与 LLM RTL 生成并列成为 2026 年 EDA 里 LLM 应用最热的两条线。
-
— 针对 Auto-DSM 管线闭源难比较的现状,给出可复现的 LLM DSM 生成评测方法学,是 LLM 参与系统工程的评测基础设施。
-
(见 2)兼跨本类——本质上是 LLM 生成形式化断言并与验证器闭环,和 AlphaEvolve / AVO 路线同宗。
-
-
8️⃣ 边缘与端侧推理
-
的移动 LLM 推理系统级测量研究,还配套开发了 PowerBench 工具。结论直接回答业界最关心的问题:"手机 NPU 到底能不能承担 LLM 推理" ——本轮端侧推理最有分量的一篇。
-
(见 1)兼跨本类——始终在线 XR 推理是端侧最苛刻的场景之一。
-
(见 1)——极端功耗预算下的植入级"边缘推理"参考。
-