Google Research 发布 AI 视频联合导演框架，通过多智能体架构在 Gemini 和 Veo 之上实现长视频的视觉一致性规划。该框架包含 Co-Director、CANVAS、A²RD 和 VQQA 四个组件，分别处理创意编排、视觉故事板、时序扩展和闭环优化，在 GenAD-Bench 上取得 81.4 的峰值质量分，并能在多分钟视频中缓解视觉漂移和错误传播。
推荐理由：原文给出了一套多智能体框架在长视频一致性上的完整方案和基准数据，读者可以据此评估其相对现有方法的实际增益。
Google 在 ICML 2026 论文中提出 Retrieve-for-Train 框架，通过离线强化学习将查询扇出行为编译为监督信号，并蒸馏进一个 53.9M 参数的扩散检索器，在推理时以单次非自回归前向传播完成集合级查询扩展，无需链式推理 token。该框架基于 Gemma3-4B 和 Qwen3-4B 微调，旨在解决零样本 LLM 在数据库感知查询分解中的同义重复与自回归延迟瓶颈。
Google Research 提出 ToolGrad，采用“答案优先”范式，先生成真实工具调用链再标注用户提示词，替代传统查询优先的深度优先搜索方法。
伯克利人工智能研究实验室（BAIR）公布 2026 届博士毕业生去向，涵盖机器人、大语言模型、计算机视觉、AI 安全等领域。毕业生将前往 Physical Intelligence、OpenAI、Amazon、Mistral AI 等机构任职，或进入 UCLA、普林斯顿等高校从事教职与博士后研究。部分毕业生正在创业并寻求合作。
Berkeley AI Research 发布综述，介绍自适应并行推理（APR）范式，让模型自行决定何时分解任务、并行生成多少线程以及如何协调。文章比较了 Multiverse、ThreadWeaver、Parallel-R1 等方法的推理系统设计与训练奖励机制，并讨论了并行化是否主要作为训练期探索脚手架等开放问题。
推荐理由：文章梳理了自适应并行推理这一范式的动机、实现与训练方法，并比较了不同方案的取舍，适合想了解推理扩展新方向的读者。
GRASP 是一种新的基于梯度的规划器，专为学习型动力学（世界模型）设计，通过将轨迹提升至虚拟状态实现跨时间并行优化、直接向状态迭代添加随机性以增强探索，并重塑梯度以避免高维视觉模型中的脆弱“状态-输入”梯度，从而让长视野规划变得实用。
Berkeley AI Research 提出 SPEX 与 ProxySPEX 算法，利用稀疏性和低阶性将交互发现重构为可解的稀疏恢复问题，将可分析的交互规模较此前方法提升数个数量级。
伯克利AI研究团队提出一种直接基于信息内容评估与优化成像系统的新框架，无需依赖人类可解读的图像或任务特定解码器。该信息度量在彩色摄影、射电天文、无透镜成像和显微镜四个领域均能预测系统性能，且优化后的设计在匹配最先进端到端方法的同时，所需内存和计算更少。相关成果发表于NeurIPS 2025论文。