1. 开源多模态模型人脸识别可解释性评测框架
该论文提出首个面向VLM人脸比对的可解释性评测框架，聚焦解释质量而非仅准确率。定义‘相关性’（依赖身份稳定特征）与‘忠实性’（不幻觉、贴合图像内容）两大核心指标，并设计结构化输出格式实现自动化量化评估。在多个开源VLM家族上同步测试解释质量与验证准确率，填补了该领域方法论空白。
2. 基于自由能视角检测大模型预训练数据
该论文提出Energy Transfer Detection（ETD）方法，通过预测损失与预测熵的倾斜边界校正，将成员检测建模为宏观残余自由能转移问题。相比传统似然检测器，ETD在AUROC上最高提升3.5%，TPR@5%FPR提升5.1%。方法具备理论可解释性与跨场景鲁棒性，为模型数据溯源提供新范式。
3. SageMaker HyperPod实现跨区域AI训练
AWS推出SageMaker HyperPod与Qumulo协同方案，支持计算资源与数据集分置不同AWS区域。实测显示：经短暂NeuralCache预热后，远程集群训练吞吐量即达本地集群水平。该架构验证了跨Region高效分布式训练的可行性，降低数据迁移成本。
4. AWS用EFA+DeepEP提升MoE强化学习吞吐40%
AWS提出基于Amazon EKS、Elastic Fabric Adapter（EFA）和DeepEP的MoE强化学习扩展架构，集成S3实现高效数据分发。该方案在大规模RLHF与GRPO训练中将 rollout 吞吐量提升40%，显著优化分布式强化学习通信瓶颈。技术栈完全基于AWS云原生基础设施，具备生产级可部署性。
5. SWE-Serve揭示本地测试与线上服务差距
NVIDIA研究指出，AI编程代理生成的补丁虽能通过本地单元测试，但在真实模型加载与请求处理时频繁失败。该工作提出SWE-Serve评估框架，聚焦推理服务软件变更的端到端可靠性，首次系统量化了测试覆盖率与线上故障间的显著鸿沟。
6. DeepMind推出私有AI计算服务端内存
Google DeepMind为Private AI Compute引入安全的服务器端内存机制，使个人AI应用能在不上传原始数据的前提下完成本地化模型推理。该技术通过硬件级内存隔离保障隐私，适用于医疗、金融等敏感场景。目前处于技术预研阶段，尚未公布延迟、吞吐量或支持模型规模等关键指标。
