框架与工具

Compile by Training 将自然语言任务说明转化为可复用的本地神经函数，通过教师模型生成示例，再训练轻量适配器。它在困难测试子集上取得更高语义准确率，但也带来了更高的编译成本与泛化风险。

PyTorch 2.14 将重点从单点算子优化扩展到编译、通信、容错和多硬件协同。NVGEMM、nccl2、动态形状声明以及 Apple Silicon 原生线性代数，构成了本次版本的主要看点。

Hugging Face 发布 @huggingface/kernels，为浏览器端 AI 提供可从 Hub 加载的 WebGPU 内核，并配套 Fleet 众测工具。首批 207 个内核覆盖矩阵乘法、归一化、注意力和量化等常见操作。

Kubeflow近期集中推进Kale、Notebooks、Trainer、KServe和Hub等组件，覆盖从实验、训练到推理和模型管理的完整链路。项目同时强化Spark、HPC、安全与可观测性能力，为迈向CNCF毕业阶段铺路。

YOLO-PEFT 将检测模型中的 PEFT 适配器放置问题，转化为可审计的约束规划流程。它的重点不是提出一个新的 LoRA 变体，而是让“哪些层能调、哪些层不该调”变得可解释、可复现。

这项工作把 Test-Time Training 重新抽象为“可组合的模块系统”，不再把每个变体写死在单一实现里。它的价值不只在于提出新框架，也在于用统一视角拆解了 TTT 各组件到底谁在起作用。

“Us vs. Them” 是一个面向代理式编辑场景的开源工具，用 diff 和 Git 历史推断文本中哪些行更接近人类创作、哪些来自 AI。它试图为代码和文档建立一种无需额外标记的行级来源感知机制。

Model Context Protocol（MCP）发布自推出以来最大一次更新，协议核心转向无状态请求/响应模式。新规范意在提升可靠性、可扩展性，并通过弃用政策给企业部署更多确定性。

Interactive Training 2 试图把模型训练从“只能观察”推进到“可安全干预”。它通过统一控制协议，让人类和自动化控制器在训练运行中提交调整请求，并留下可追踪记录。

Wattage 是一个面向 AI Agent 的 token 花费分析与 CI 成本回归工具，可离线读取 OpenTelemetry trace，定位重复上下文、循环停滞、模型错配等浪费模式。

PyTorch Blog 介绍了 Helion 面向 TPU 的新后端：它可将 Helion 内核编译到 Pallas，让开发者用更接近 PyTorch 的方式编写 TPU 高性能内核。文章以 Flash Attention 为例，展示了自动调优与流水线策略如何影响 TPU 利用率。

这篇论文关注 MoE 训练中常被低估的显存大户：优化器状态。作者提出 SkewAdam，按骨干网络、专家和路由器的差异分层分配状态，在显著降内存的同时保持甚至提升验证困惑度表现。

一篇 arXiv 论文提出 OriginBlame，试图解决模型训练数据删除请求中的“找不到该删哪些样本”问题。它将作者身份沿数据处理流水线传播，并用确定性查询生成更精确的遗忘集。

一篇 arXiv 新论文提出用到标准高斯的平方 Wasserstein 距离衡量非高斯性，并据此构建 OT-ICA 算法。该方法希望替代传统 ICA 中常见的累积量或参数似然代理目标。

一篇新的 arXiv 论文改进了多面体 Dikin walk 的理论混合时间界限。作者证明，使用缩放后的 Lee–Sidford 度量时，指数采样可在 warm start 条件下达到 d^2.25 次迭代混合。

PyTorch-Triton 3.7 带来 Triton Plugin Extensions，让自定义编译器 Pass、MLIR 方言和 DSL 扩展可以在运行时加载。Meta 的 TLX 也因此进入上游 Triton 使用路径，面向 H100 与 AMD MI350 提供更细粒度的 GPU 内核控制。

一篇 arXiv 新论文提出用于 KL 散度非负矩阵分解的牛顿型算法，试图突破传统可分离上界方法的效率瓶颈。该方法以二阶泰勒近似构造非可分离替代目标，并通过推广 HALS 进行求解。

一篇 arXiv 论文提出 Relevance-Aware Rule 框架，试图从决策树规则中识别并删除结构性产生的无关条件。其核心不是简单剪枝，而是在删除前验证条件对预测可靠性的影响。

NodeImport 针对图节点分类中的类别不平衡问题，提出用平衡元集合评估训练节点的重要性。它不是简单补齐少数类，而是筛选真正能提升无偏表现的标注、未标注与合成节点。