微软研究院利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机器学习系统，为美国本土 66,935 座变电站生成空间天气风险预测，可提前 30 至 60 分钟预警。该系统结合太阳风观测、AE 与 Dst 指数预报、地质电导率及电网数据，在 2020-2026 年评估期内检测到近 80% 的重大空间天气事件，其中 AE 预测 RMSE 为 410.2 nT，Dst 预测 RMSE 为 7.2 nT。
#部署/工程
#部署/工程
今日 1 条Microsoft ResearchAI 评分2626
Hugging Face Blog精选AI 评分6666 Granite 4.2 推理模型发布：3B/8B/30B 三尺寸如何构建
IBM Granite 团队发布 Granite 4.2 系列推理模型，包含 3B、8B、30B 三种稠密尺寸，均以 Apache 2.0 许可开源，并从 Granite-4.1 基座模型后训练而来。
推荐理由：原文给出了从预训练到多阶段强化学习的完整构建细节，读者可以据此理解推理模型的训练配方与工程取舍。
Hugging Face Blog精选AI 评分6262 Multiverse Computing 提出 Quantization-Aware Healing，4-bit 压缩模型反超其全精度版本
Multiverse Computing 提出 Quantization-Aware Healing（QAH），把 GPT-OSS 120B 压缩到 60B 参数并量化为 MXFP4 后，直接在原始预压缩模型上做 KL 蒸馏而非从恢复出的 checkpoint 蒸馏，结果在 9 项基准中的 7 项超过该 60B 模型的 bfloat16 版本。
推荐理由：论文给出压缩加量化后再蒸馏原始模型的做法，读者可比较其与常规 QAT 在精度和训练稳定性上的差异。
Berkeley AI ResearchAI 评分4141 从 CUDA 到 MLX：K-Search 如何将数十年 kernel 经验带到 Apple Silicon
Berkeley Sky Lab 将进化式 kernel 搜索框架 K-Search 扩展到 MLX 后端，通过结构化 CUDA-to-MLX 翻译层，把已有 CUDA kernel 当作知识库适配为 Apple Silicon 上的高质量 kernel。
Google ResearchAI 评分3434 Google 用线性弹性缓存优化云成本，Spanner 实测 TCO 降约 5%
Google Research 提出线性弹性缓存，将页面淘汰建模为滑雪租赁问题，用轻量机器学习动态调整缓存大小，在 Spanner 生产环境实测内存占用降 15.5%、缓存未命中仅增 5.5%、总拥有成本降约 5%。该方案用浅层决策树为每个页面预测 TTL，缓存写满时回退到 LRU 策略，无需按峰值需求预分配内存。论文已在 CIDR 发表。
Google ResearchAI 评分3939 用退役手机搭建低碳计算平台：加州大学圣地亚哥分校与 Google 打造 2000 台 Pixel 手机集群
加州大学圣地亚哥分校在 Google 支持下，将退役智能手机的主板拆出组成集群，部署一个由 2000 台 Pixel 手机搭建的数据中心，为数百名研究者与学生提供低成本、低碳的云计算。研究显示 25-50 台手机约等于一台现代服务器，20 台手机的小型集群已能支撑 75 人以上课程的评分负载，且延迟低于 AWS 默认后端。该系统预计 2026 年秋季全面上线。
Google DeepMind精选AI 评分6565 Google DeepMind 发布 Decoupled DiLoCo 分布式训练架构
Google DeepMind 发布新论文提出 Decoupled DiLoCo 分布式训练架构，将大规模训练拆分为相互解耦的计算岛屿并以异步数据流连接，从而隔离局部硬件故障。
推荐理由：原文给出跨数据中心异步训练的低带宽与容错实测数据，读者可据此判断分布式预训练的工程可行边界。