微软研究院等证明悬置31年的KLS猜想
微软研究院研究员 Xinzhi Zhang 与合著者 Zhao Song 证明了1995年提出的 KLS 猜想，确认对一大类高维概率分布，最佳平面切割与任意形状最佳切割的差距不超过一个与维度无关的固定常数。
推荐理由：这篇论文证明了一个悬置31年的几何猜想，并展示了研究者如何通过筛选和引导智能体搜索来推进数学证明。
#推理
Microsoft Research精选AI 评分7676
Microsoft Research精选AI 评分7272 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，在笔记本上每秒证明 720 万至 870 万条 RISC-V 指令。在 15 个基准程序上，它平均比现有最快的同类 zkVM 快 10 至 39 倍，证明验证耗时约 12 毫秒。其安全性仅依赖 SHA-256、SHA-3 等标准哈希函数，无需椭圆曲线、格假设或可信设置。
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、速度与标准哈希安全之间同时取舍。
Berkeley AI ResearchAI 评分5858 从 CUDA 到 MLX：K-Search 如何把多年内核优化经验带到 Apple Silicon
Berkeley Sky Lab 团队为 K-Search 进化式内核搜索框架新增 MLX 后端和结构化 CUDA-to-MLX 翻译层，让搜索以现有 CUDA 内核为知识库生成 Apple Silicon 内核。
Berkeley AI ResearchAI 评分3636 ABBEL：教 LLM 更新信念，提升长程交互效率
伯克利 AI 研究团队提出 ABBEL 框架，将摘要以自然语言信念状态的形式隔离并监督其信息内容，让智能体仅凭当前信念选择动作。在 CollabBench 协作编程任务上，基于重建的信念评分将 ABBEL 与全上下文模型的性能差距缩小约 50%，训练步数从 100 步降至 50 步，峰值上下文 token 数也显著低于全上下文设置。
Berkeley AI ResearchAI 评分3636 伯克利提出 GRASP：面向世界模型的梯度规划方法，让长时程规划更稳健
伯克利 AI 研究团队提出 GRASP，一种面向学习型世界模型的梯度规划器，通过将轨迹提升到虚拟状态实现跨时间并行优化、在状态迭代中注入随机性以促进探索，并重塑梯度让动作获得清晰信号。该方法针对长时程规划中梯度爆炸/消失、非贪心结构导致局部极小值以及高维视觉模型梯度脆弱等问题，使基于梯度的长时程规划更稳健。
Berkeley AI ResearchAI 评分3636 Berkeley AI Research 提出 SPEX 与 ProxySPEX：大规模识别 LLM 关键交互
Berkeley AI Research 提出 SPEX 与 ProxySPEX 算法，用于在大规模场景下识别驱动 LLM 输出的关键交互。SPEX 利用稀疏性与低阶性把交互搜索转化为稀疏恢复问题，ProxySPEX 进一步借助层级结构，以约 10 倍更少的消融达到与 SPEX 相当的性能。在情感分析任务上，SPEX 在上下文扩展到数千特征时仍保持高忠实度，优于 LIME、Banzhaf 等方法。