微软研究院推出基于证明的通用计算系统 Magnetar
微软研究院发布零知识虚拟机 Magnetar，可直接证明用 Rust、Go 或 C 编写的程序执行过程，在 15 个基准程序上平均比现有最快 zkVM 快 10 到 39 倍。
推荐理由：微软研究院梳理十余年零知识证明研究脉络，说明 Magnetar 如何在通用性、速度与后量子安全之间同时取得进展。
#部署/工程
Microsoft Research精选AI 评分6060
Google ResearchAI 评分5858 Google 提出基于 TEE 的可验证隐私联邦学习系统
Google 宣布推出新一代联邦学习系统，借助可信执行环境（TEE）为数据匿名化提供可远程验证、可审计的保障，并已在 Gboard 上线英语和日语下一词预测模型。设备上传的加密训练数据只能在符合访问策略的 TEE 内解密处理，访问策略发布到公开透明日志 Rekor，KMS 与数据处理二进制可从开源代码复现构建。Gboard 采用后训练计算瓶颈从设备端转移到服务端，训练速度明显快于此前系统。
Microsoft ResearchAI 评分4747 微软研究院用机器学习预测电网空间天气风险
微软研究院开发了一套端到端机器学习流水线，为美国本土66,935座变电站生成位置级空间天气风险估计，可提前30至60分钟预警。系统结合AE与Dst指数预测、纬度、地质电导率等数据，评估期内检测到近80%的重大空间天气事件。Dst预测器在2020-2026年评估期活动最强烈时段有62.2%的小时数优于Burton方程。
Microsoft Research精选AI 评分6767 微软研究院研究将物理 AI 推理卸载到边缘或云端 GPU
微软研究院对移动机器人操作负载做了系统测量，发现把物理 AI 推理从机器人端侧 GPU 卸载到边缘或云端 GPU 可提升任务成功率并延长续航。
推荐理由：微软研究院系统测量了机器人端侧 GPU 推理的瓶颈，并给出把推理卸载到边缘或云端的工具链方案。
Import AIAI 评分4242 Import AI 470：机器不应享有权利、用 SPADE 自动生成训练环境、用 Hawkeye 构建更好的 GPU kernel
Import AI 470 期介绍了三项研究：METR 分析显示 AI 对网络安全漏洞发现的加速最明显，对数学研究贡献有限，对 AI 研究本身尚无可测加速；SPADE 框架让 LLM 交替生成可执行训练环境并求解，在 Qwen3-30B-A3B 上使游戏环境套件平均分达 58.3，比基座高 8.1；另有 Hawkeye 用于构建更好的 GPU kernel。
Berkeley AI Research精选AI 评分6262 从 CUDA 到 MLX：K-Search 如何把多年内核经验带到 Apple Silicon
研究团队为 K-Search 演化式内核搜索框架新增 MLX 后端和结构化 CUDA-to-MLX 翻译层，让已有 CUDA 内核作为知识库迁移到 Apple Silicon。
推荐理由：读者可以看到 CUDA 优化经验如何被结构化翻译成 MLX 策略，以及翻译层对搜索结果的量化影响。