2026 BAIR 研究生展示：伯克利 AI 实验室博士毕业生研究一览
伯克利人工智能研究实验室（BAIR）展示 2026 届博士毕业生，其研究覆盖机器人、LLM 与推理、计算机视觉、生成建模、AI 安全、人机交互及 AI for science 等方向。毕业生去向包括 OpenAI、Mistral AI、Physical Intelligence、Amazon 等机构，以及 UCLA、普林斯顿 CITP 等学术岗位，部分人正在创办初创公司。
全部AI 前沿动态
全部动态
今日 9 条Berkeley AI Research (BAIR)AI 评分1212
SGLang Releases精选AI 评分7878 SGLang v0.5.14 发布，新增 GLM-5.2 等模型支持与 MoE 负载均衡
SGLang 发布 v0.5.14，新增 GLM-5.2、LiquidAI LFM2.5、Kimi-K2.7-Code、Poolside Laguna-M.1、DiffusionGemma、Zyphra ZAYA1、MiMo-V2-ASR 等模型支持，并加入 Waterfill 与 LPLB 两种 MoE 专家并行负载均衡方法。
推荐理由：该版本新增多种模型支持与 MoE 负载均衡、线性注意力前缀缓存优化，并针对 DeepSeek-V4 在 Blackwell 上给出多项吞吐与显存改进。
Berkeley AI Research (BAIR)精选AI 评分6262 BAIR 综述自适应并行推理：从固定并行到模型自主控制流
BAIR 发布综述文章，系统梳理自适应并行推理（APR）这一范式，即让模型在推理时自行决定何时并行、开启多少线程以及如何协调。文章对比了 Multiverse、ThreadWeaver、Parallel-R1、NPR 等方法，指出 APR 相比 BoN 可避免冗余计算、相比 Tree-of-Thoughts 无需领域特定分解启发式，并给出以关键路径占比为核心的并行化奖励设计。
推荐理由：系统梳理自适应并行推理的推理系统设计与训练奖励方案，对比 Multiverse 与 ThreadWeaver 在 KV cache 聚合上的取舍。
Berkeley AI Research (BAIR)精选AI 评分7171 BAIR 提出 GRASP：面向世界模型的并行随机梯度规划器
BAIR 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，并对状态迭代注入高斯噪声以增强探索。在 Push-T 任务上，GRASP 在 H=80 时成功率达 10.4%、中位耗时 58.9s，优于 CEM、GD 与 LatCo 等基线。论文已发布于 arXiv（编号 2602.00475），可通过 arXiv 页面或项目网站获取全文与更多细节。
推荐理由：提出提升状态配点与动作梯度分离的规划器，在长时域 Push-T 任务上兼顾成功率与求解速度。
Berkeley AI Research (BAIR)精选AI 评分7171 BAIR 提出 SPEX 与 ProxySPEX，将 LLM 交互归因扩展到数千组件
BAIR 发布 SPEX 与 ProxySPEX 算法，利用稀疏性与低阶性将交互发现重构为稀疏恢复问题，用于特征、数据与模型组件归因。ProxySPEX 借助层级结构以约 10 倍更少的消融次数达到 SPEX 同等效果，在 MMLU 高中美国历史任务上其剪枝策略还能提升目标任务表现。
推荐理由：SPEX 与 ProxySPEX 将交互归因从数十个组件扩展到数千个，ProxySPEX 以约 10 倍更少消融达到同等效果，代码已并入 SHAP-IQ。
Berkeley AI Research (BAIR)精选AI 评分6666 BAIR 提出 IDEAL：以互信息驱动成像系统设计
BAIR 在 NeurIPS 2025 论文中提出基于互信息的成像系统评估与优化框架 IDEAL，仅用带噪测量和噪声模型即可量化测量对物体的区分能力。该方法在彩色摄影、射电天文、无透镜成像与显微成像四个领域验证了信息估计对解码性能的预测能力，IDEAL 优化出的滤色片设计在信息量与重建质量上匹配端到端优化，同时减少内存与算力开销且无需任务专用解码器。
推荐理由：该框架以互信息直接评估成像系统信息量，无需解码器即可预测下游任务表现并优化硬件参数。