Google 发布基于 TEE 的新一代联邦学习系统，实现可验证的隐私保护
Google 发布新一代联邦学习系统，利用可信执行环境（TEE）为数据匿名化提供可远程验证、可审计的端到端保证，并已在 Gboard 上线英语和日语下一词预测模型。
推荐理由：Google 公布基于 TEE 的新一代联邦学习系统设计，读者可了解其如何让数据匿名化过程可被外部验证。
#部署/工程
Google Research精选AI 评分6262 Hugging Face BlogAI 评分3737 ServiceNow CoreAI 推出 AutoSynthData：为企业智能体生成训练数据
ServiceNow CoreAI 构建了 AutoSynthData，利用目标模型的失败案例与更强教师的成功轨迹定位能力缺口，再生成并验证新任务用于后训练。该流程以 system specification、user prompt、verifier 三要素定义任务，要求任务可行、真实且尚未被稳定解决，并随模型改进动态调整课程。团队以 EnterpriseOps Gym 数据集演示了该流水线。
Microsoft ResearchAI 评分3434 微软研究院用机器学习预测电网空间天气风险，覆盖美国 66,935 座变电站
微软研究院实习生开发了一套端到端机器学习流水线，结合太阳风观测、AE 与 Dst 指数预报、地质电导率和电网数据，为美国本土 66,935 座变电站生成 30-60 分钟前的空间天气风险估计。
Microsoft Research精选AI 评分6262 微软研究院：物理 AI 机器人推理卸载研究与工具链
微软研究院对移动操作机器人工作负载做了系统性测量，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与卸载到边缘或云端 GPU 的差异，并给出可复用的 Kubernetes 卸载工具链。
Berkeley AI Research精选AI 评分6262 从 CUDA 到 MLX：K-Search 如何把内核优化经验迁移到 Apple Silicon
Berkeley AI Research 与 IBM Research 将进化式内核搜索框架 K-Search 扩展到 MLX，通过结构化的 CUDA 到 MLX 翻译层，让已有 CUDA 内核经验适配 Apple Silicon。
推荐理由：原文给出 CUDA 到 MLX 的翻译层设计与两组内核实测数据，可了解跨硬件迁移优化知识的具体做法。