2026 BAIR 毕业生风采展示
Berkeley AI Research（BAIR）实验室庆祝 2026 届博士毕业生，研究方向涵盖机器人与具身智能、LLM 与推理、计算机视觉、生成模型、AI 安全等。多位毕业生将加入 OpenAI、Mistral AI、Physical Intelligence、Amazon 等机构或任教于 UCLA、芝加哥大学等高校，部分人正在创业或寻找机会。
全部 AI 动态
Berkeley AI ResearchAI 评分3636
Berkeley AI ResearchAI 评分3939 自适应并行推理：高效推理扩展的下一个范式
Berkeley AI Research 发布一篇关于并行推理（Parallel Reasoning）的综述兼观点文章，探讨让大语言模型自行决定何时分解任务、并行化以及协调子任务的自适应并行推理。
Berkeley AI ResearchAI 评分4343 GRASP：面向长时程世界模型的基于梯度的规划方法
Berkeley AI Research 等团队提出 GRASP，一种基于梯度的规划器，让学习型世界模型的长时程规划更稳健。它将轨迹提升到虚拟状态以实现跨时间并行优化，在状态迭代中加入随机性以支持探索，并通过重塑梯度避免经过高维视觉模型的脆弱“状态-输入”梯度。该方法解决了长时程 rollout 中雅可比矩阵病态化导致的梯度爆炸/消失，以及非贪心结构带来的局部极小问题。
Berkeley AI ResearchAI 评分4545 SPEX 与 ProxySPEX：如何在大规模场景下识别 LLM 的关键交互
Berkeley AI Research 提出 SPEX 和 ProxySPEX 两种算法，可在大规模场景下高效识别 LLM 的关键交互。
Berkeley AI ResearchAI 评分4242 Berkeley AI Research 提出基于信息量的成像系统设计与评估框架
Berkeley AI Research 在 NeurIPS 2025 论文中提出直接基于信息量评估和优化成像系统的框架，仅用噪声测量数据和噪声模型估计互信息，无需训练任务专用解码器。该指标在彩色摄影、射电天文、无透镜成像和显微成像四个领域均能预测下游解码性能，优化结果可媲美最先进的端到端方法，且内存和算力开销更低。