Multiverse Computing 提出 Quantization-Aware Healing：4-bit 压缩模型在 7/9 基准上超过其全精度版本
Multiverse Computing 提出 Quantization-Aware Healing（QAH），把 GPT-OSS 120B 压缩到 60B 参数并量化为 MXFP4 后。
推荐理由：论文给出压缩加量化后从原始模型蒸馏的恢复配方，并附9项基准对比，可据此判断4-bit部署的精度取舍。
#论文/研究
Hugging Face Blog精选AI 评分6262
Hugging Face Blog精选AI 评分6767 IBM Research 研究：智能体到底需要多少记忆
IBM Research 在 Hugging Face 博客发布 ALTK-Evolve 研究，用 AppWorld 的 585 个多步任务测试八款模型，发现智能体记忆不是开关而是需要按模型校准的剂量。
推荐理由：八模型对照实验显示智能体记忆的注入剂量需按模型能力校准，并给出准确率与 token 成本的量化取舍。
Google Research精选AI 评分6767 Google Research 提出 Science One Framework：用 Chain-of-Evidence 实现可验证的自主科研
Google Research 提出 Chain-of-Evidence（CoE）可验证性框架，并落地为自主科研原型 Science One Framework 与自动审计工具 CoE Audit。
推荐理由：原文给出可验证性框架与审计指标，读者可据此比较自主科研系统在引用与代码一致性上的差异。
Berkeley AI ResearchAI 评分4040 伯克利 AI 研究提出信息驱动的成像系统设计框架，登 NeurIPS 2025
伯克利 AI 研究团队提出一套基于互信息的成像系统评估与优化框架，可直接从含噪测量中估计信息量，并在彩色摄影、射电天文、无透镜成像和显微镜四个领域验证其能预测下游解码性能。该方法优化出的设计可媲美端到端 SOTA 方法，同时占用更少内存和算力，且无需针对特定任务设计解码器。相关论文发表于 NeurIPS 2025。