GitHub Copilot app 初学者指南：如何同时运行多个智能体
GitHub Copilot app 支持通过并行智能体会话同时执行多个开发任务。每个会话运行在独立的 Git worktree 上并保留各自上下文，彼此互不干扰且无需等待上一个任务完成。开发者可以在统一的会话视图中跟踪各项任务进度并集中审查结果，降低多任务切换成本。
推荐理由：原文介绍了利用 Git worktree 隔离机制实现多智能体并行执行的具体机制，有助于开发者优化多任务协同工作流。
全部AI 动态
全部动态
今日 42 条GitHub Blog · AI & ML精选AI 评分6565
Google DeepMind精选AI 评分7575 Google DeepMind 发布全球气象 AI 模型 WeatherNext 3
Google DeepMind 与 Google Research 正式发布全球气象 AI 模型 WeatherNext 3，引入实时卫星数据并支持按小时生成最高 5 公里分辨率的全球天气预报。
推荐理由：模型直接引入实时卫星观测与稀疏气象站数据，为全球高分辨率气象预报和清洁能源调度提供了端到端预测范式。
Microsoft ResearchAI 评分5252 GigaPath-Flash 与 GigaTIME-Flash 探索高效病理基础模型的规模化应用
Microsoft Research 发布开放权重模型 GigaPath-Flash 和 GigaTIME-Flash，旨在降低病理基础模型用于大规模研究的计算成本。
Microsoft ResearchAI 评分4949 扩大 Skala 的可用范围，为预测性 DFT 提供更快路径
Microsoft Research 发布 Skala-1.1，并扩大 Skala 在计算化学软件中的可用范围。Skala-1.1 使用比首个公开版本多 2.5 倍的数据训练，在 GMTKN55 的 55 个类别中有 32 个排名第一，加权平均误差为 2.8 kcal/mol。
Microsoft ResearchAI 评分4949 MindTopo揭示视觉语言模型的空间推理能力
Microsoft Research推出MindTopo基准，评估多模态大语言模型对拓扑关系的静态推理和交互规划能力。测试涵盖连续性、分离、顺序、包围和打结，结果显示模型在静态识别任务中的表现明显强于交互规划。规划失误常发生在感知之后，模型会在多步操作中丢失结构关系或提出违反环境规则的动作。
Berkeley AI ResearchAI 评分5151 K-Search 如何将数十年 CUDA 内核经验迁移到 Apple Silicon
K-Search 扩展了 MLX 后端，并用结构化 CUDA-to-MLX 转译知识优化 Apple Silicon 内核。Attention 内核达到原生 MLX Attention 的 0.97 倍速度；在 M1 Max 上，Mamba SSM 内核的 prefill 速度最高约为社区版 mlx-lm 的 20 倍，decode 表现则相近。
Berkeley AI ResearchAI 评分4747 ABBEL：训练 LLM 更新信念状态，以提升长时交互效率
ABBEL 将交互摘要建模为自然语言信念状态，并通过信念评分监督其信息内容，帮助 LLM 更高效地处理长时任务。在 CollabBench 上，ABBEL 将与 full context 模型的性能差距缩小约 50%，相比不使用信念评分的训练方案少用 50%训练步数。
Berkeley AI ResearchAI 评分5353 智能近乎免费后怎么办？面向、支撑与由智能体构建的数据系统
Berkeley AI Research 的研究者提出，推理成本快速下降将推动数据系统围绕智能体重新设计，重点涵盖服务智能体、支撑智能体群体运行，以及由智能体合成数据系统。文中称，GPT-4 级能力的成本从 2023 年初约 $30 per million tokens 降至如今低于 $1，部分供应商已低于 $0.10。文章还讨论了查询复用、结构化记忆、并发协调及验证智能体合成系统等挑战。
Berkeley AI ResearchAI 评分3131 BAIR Lab 2026届博士毕业生研究成果展示
Berkeley Artificial Intelligence Research（BAIR）Lab庆祝2026届博士毕业生，展示他们在机器人与具身智能、大语言模型与推理、计算机视觉、生成模型、AI安全及科学与医疗领域AI等方向的研究。毕业生将前往高校、博士后岗位和产业研究实验室，或创办初创公司，部分人仍在探索下一步。
Berkeley AI ResearchAI 评分4444 自适应并行推理：高效推理扩展的下一种范式
一篇综述与观点文章梳理并行推理的最新进展，聚焦模型如何根据问题自主决定是否拆解任务、并行线程数量及协调方式。现有方法多由模型外部设定并行结构，可能造成重复计算，也难以适应不同问题的需求。文章指出，并行推理旨在缓解顺序推理带来的延迟增长、上下文压力和计算开销。
Berkeley AI ResearchAI 评分4747 GRASP：面向更长时域的世界模型梯度规划
GRASP提出一种基于梯度的学习动力学规划器，让世界模型的长时域规划更实用。它通过引入虚拟状态实现跨时间并行优化、在状态迭代中加入随机性以探索，并重塑梯度，让动作获得清晰信号，同时避免穿过高维视觉模型传播脆弱的状态输入梯度。
Berkeley AI ResearchAI 评分4848 LLM 的规模化交互识别方法
SPEX（Spectral Explainer）与 ProxySPEX 可识别大语言模型中的关键交互，并支持特征、数据和模型组件归因。SPEX利用稀疏性和低阶性，通过策略性消融与解码分离影响模型行为的交互；ProxySPEX进一步利用层级性，在性能与 SPEX 相当时约减少 10x 消融次数。SPEX在上下文扩展至数千个特征时仍保持较高 faithfulness。
Berkeley AI ResearchAI 评分4747 信息驱动的成像系统设计
Berkeley AI Research提出一种基于互信息的成像系统评估与优化框架，可直接衡量测量数据区分物体的能力。其 NeurIPS 2025 论文显示，该指标能预测四类成像领域的系统表现；优化后的设计可匹配先进端到端方法，同时减少内存和计算需求，且无需针对任务设计解码器。
Berkeley AI ResearchAI 评分4343 无需 TD 学习的强化学习
研究者提出一种基于分治法（divide and conquer）的异策强化学习（off-policy RL）范式，无需依赖传统的时间差分（TD）学习。该算法将长轨迹拆分为子任务并组合价值，理论上能对数级减少 Bellman 递归次数，避免自举带来的误差累积。该范式已在目标条件强化学习（goal-conditioned RL）中实现，能有效扩展至复杂的长时域任务。
Berkeley AI ResearchAI 评分4949 word2vec 究竟学到了什么？
新理论研究证明，word2vec 的学习过程在实际条件下可简化为无权最小二乘矩阵分解，最终学到的表征等价于对特定目标矩阵执行 PCA。从小初始化训练时，模型以离散步骤序列逐步学习正交线性子空间，每步递增嵌入矩阵的秩并降低损失。该学习动力学可求出闭式解，特征直接对应由语料共现统计构成的目标矩阵特征向量。