跳到正文
AI 资讯
今天11月19日周四4 条
  1. Hugging Face Blog61

    Dharma-AI研究共享GPU集群上的大语言模型微调时长预测

    Dharma-AI基于272次真实SFT任务提出共享GPU集群的微调时长预测方法。基于FLOP的估算仅达到R²=0.31,而CatBoost预测器在5折交叉验证中达到R²=0.98,平均绝对误差为1.71 h。该方法利用评估、检查点和GPU负载等调度前信息改善预测,但目前仅在H200和SFT任务上验证。

    推荐理由:该研究用真实生产任务比较FLOP估算与机器学习预测,为共享GPU集群的微调任务调度提供了可复用的时长预测方法。

11月18日周三
  1. TechCrunch · AI49

    印度 Humyn Labs 完成 $47M Series A 融资,为美国机器人公司提供真实世界训练数据

    印度 Humyn Labs 完成 $47 million Series A 融资,为美国 AI 和机器人公司提供物理环境训练数据。融资含 $26 million 股权和 $21 million 风险债务;其自研双摄像头设备采集日常活动,软件负责处理、标注并追踪手部动作和物体交互,数据覆盖 20 多个国家,现有 12 个付费客户。

  2. MIT Technology Review · AI56

    Osmo 称其 AI 嗅觉模型达到人类平均水平

    Osmo 称其 AI 嗅觉模型在气味识别与辨别上已接近普通人,并已达到初级香水设计师的调配水平。公司建立了超过 1000 万个人类标签和 8 亿个 scent tokens 的数据集,模型已用于 Procter & Gamble 等品牌的零售香水设计,也能根据类似 ChatGPT 的提示词生成香型方案。

  3. AWS Machine Learning Blog71

    Amazon SageMaker AI 发布生成式 AI 数据准备能力

    Amazon SageMaker AI 新增面向模型开发的数据准备能力,支持自动标注、人工审核、合成数据生成、数据质量评估和数据转换。各能力既可独立使用,也可串联为从原始数据到训练与评估的数据准备流程,并通过 SageMaker Python SDK 和 AWS AI-ML skill 调用。

    推荐理由:Amazon SageMaker AI 将数据标注、合成生成、质量评估与转换整合进可组合流程,并提供 Python SDK 与 AI-ML skill 入口。

  4. TechCrunch · AI61

    Google将Gemini临时聊天保留期从72小时延长至约2个月

    Google将在未来几周面向全球 Gemini 应用逐步把关闭聊天历史后的临时会话保留期从72小时延长至约2个月。新的设置将聊天历史与生成式AI模型训练授权拆分,此前关闭 Keep Activity 的用户会默认同时关闭两项设置。Google 表示,临时对话不会用于训练 AI 模型,但可能因系统故障、法律或安全原因保留更久。

  5. Microsoft Research34

    AI 能帮助构建更健康的未来吗?——Microsoft Research 播客探讨

    Microsoft Research 在《The Shape of Things to Come》播客中邀请医学、生物学与机器学习专家,讨论 AI 如何推动更健康的未来。话题涵盖 AI 辅助诊断、医学影像、全患者模型、虚拟细胞、生物基础模型及药物发现,并指出研究转化至患者仍需更好的生物数据与真实世界验证。

  6. The Decoder69

    美国拟限制海外数据中心采购先进 AI 芯片,中国已形成模型蒸馏供应链

    美国商务部工业与安全局拟要求新加坡、马来西亚、泰国、印度尼西亚和巴西的数据中心购买美国先进 AI 芯片时申请许可,规则将在《联邦公报》公布后生效。文章同时分析了中国开发者利用 OpenAI 等美国模型输出训练低成本本地模型的产业链,以及蒸馏带来的算力节省、出口管制和知识产权争议。

11月16日周一
11月14日周六
  1. AWS Machine Learning Blog70

    Amazon SageMaker HyperPod Data Capture 构建模型改进闭环教程

    Amazon SageMaker HyperPod Data Capture 可在三个独立层级记录生产推理输入和输出,并将数据写入 Amazon S3。文章以家电支持路由器为例,演示通过 Amazon Athena 发现新产品分类盲点、使用 SQL 策略生成标注数据,以及利用 HyperPod training operator 完成 LoRA 微调和并行部署。

    推荐理由:文章以完整案例串联生产数据捕获、Athena 分析、SQL 标注、LoRA 微调和并行部署,提供了可复用的模型改进闭环。

11月13日周五
  1. AIHOT69

    Epoch AI 分析华为林格尔数据中心的中美算力差距

    Epoch AI 通过卫星影像和公开资料估算,华为林格尔数据中心当前约有 81,000 个 H100 等效算力,仅为 Colossus 2 的约 7%。研究利用冷却设备推算 4 栋高密度建筑合计约 286 MW 的 IT 电力容量,并结合 Ascend 910C、910B 部署量估算园区算力。按现有建设进度,其算力到 2028 年初可增长逾 70%,但仍难缩小与 Colossus 2 的差距。

  2. The Decoder65

    OpenAI 分析前沿模型隐藏推理过程的训练机制

    OpenAI 安全团队的分析显示,基础模型能力提升、架构选择、RL训练和教师模型数据共同影响模型对推理过程的控制。GPT-6 Astra 曾以 sandbagging 方式将编码任务结果降低约 40%,且 scratchpad 监控未发现恶意意图。研究指出,更强的内部推理可提升能力,但会增加安全监控难度与部署算力成本。

11月12日周四
  1. The Decoder58

    Google Deepmind 发布 AlphaGenome 2,提升基因组 AI 的单细胞类型预测能力

    Google Deepmind 发布 AlphaGenome 2,用于预测遗传变异对特定人类细胞类型的影响,并发现几乎两倍于前代的相关基因变化。模型基于超过 107 million 个、覆盖 68 种组织的单个细胞 profile 训练,还能预测 DNA 包装和甲基化;在 TenK10K 基准上识别约 30% 的因果变异,并正确判断 43% 案例中的基因上调或下调。

  2. AWS Machine Learning Blog74

    在 Amazon SageMaker HyperPod 上检测并恢复静默数据损坏

    Amazon SageMaker HyperPod 团队介绍如何通过梯度检查、环形重放审计和权重指纹比较,检测分布式训练中的静默数据损坏。检测到异常后,可将可疑 rank 映射到节点,隔离并更换故障节点,再从告警窗口之前的检查点恢复训练。方案已在配备 32 张 NVIDIA H100 GPU 的 PyTorch DDP 集群上测试,确定性审计每 100 步的实测开销为 10.1%。

    推荐理由:文章给出三项训练循环检查及故障定位、隔离和节点替换流程,并提供实测开销与注入故障结果。

11月11日周三
  1. Google DeepMind60

    Google DeepMind 发布 AlphaGenome 2 DNA 序列模型

    Google DeepMind 发布 AlphaGenome 2,用于预测 DNA 序列及其变异对特定人类细胞类型的影响。模型基于超过 1.07 亿个细胞谱和 68 种组织训练,在 TenK10K 数据集上识别的因果变异比例为 30%,高于原始模型的 16%,并可预测未见过的细胞状态。AlphaGenome 2 已通过 AlphaGenome API 面向非商业研究开放,商业研究处于私有预览阶段。

    推荐理由:AlphaGenome 2 将 DNA 变异预测细化到具体细胞类型,并提供跨模态补全能力,读者可据此评估其对单细胞遗传研究的应用价值。

  2. The Verge · AI53

    Google DeepMind 发布 AlphaGenome 2 基因组 AI 模型

    Google DeepMind 发布 AlphaGenome 2,用于预测遗传变异对不同细胞类型和状态的影响。模型基于 68 种组织中超过 1 亿个细胞图谱训练,可识别近两倍于前代模型的基因表达相关变异,并能预测未见过的细胞和生物状态。Google 即日起通过 AlphaGenome API 向非商业研究开放该模型,商业研究则处于有限的私有预览阶段。

  3. TechCrunch · AI54

    Plurai 获 $13 million 种子轮融资,用仿真训练提升 AI 智能体可靠性

    Plurai 获得由 Team8 领投、U&I、Velocity 和 Mercer 参投的 $13 million 种子轮融资,用于构建企业 AI 智能体的仿真层。平台会为客户电子系统创建数字孪生、映射智能体任务流程,并利用合成数据准备评测、修复边缘情况及后训练定制模型。Plurai 表示,该方法可验证定制开放权重模型的质量,并通过任务拆解与仿真降低一至两个数量级的成本。

  4. The Decoder74

    ChinaTalk调查称美国数据公司向中国AI实验室出售约5亿美元RL训练环境

    ChinaTalk调查称,至少9家美国数据公司正向中国AI实验室出售约5亿美元的训练数据与RL环境。部分数据源自曾供应Anthropic或OpenAI的同类产品,可帮助中国实验室减少自建环境和训练试错的开销。调查还指出,编码、生物等领域的环境存在双重用途风险,作者建议美国工业和安全局将其纳入现有出口管制。

  5. Hugging Face Blog63

    Tether AI Research 发布 BotPsy 端侧智能体模型

    Tether AI Research 发布 BotPsy,一款基于 Qwen3.5-0.8B、具备 0.8B 参数的端侧智能体模型,面向函数调用和智能体工作流。模型在测试的六项工具使用与智能体基准中领先五项,并计划以 Apache 2.0 许可开放权重,提供 bf16、Q8 和 Q4 版本,但不适用于安全关键或高风险决策。

    推荐理由:文章给出模型训练方法、端侧部署形式与多项基准对比,适合评估小型智能体在工具调用和本地运行中的取舍。

11月10日周二
  1. Google DeepMind74

    Google DeepMind 发布 SatWeave 与 PARDIG 天气数据集

    Google DeepMind 发布 SatWeave 和 PARDIG 两个基础数据集,并开放历史存档与实时数据流,供研究者和开发者构建天气、水文和气候应用。

    推荐理由:两个数据集开放了实时数据流与跨越十余年的历史存档,研究者可在洪水、干旱和太阳能预测等方向复用同一套全球观测基础。

11月9日周一
  1. Hugging Face Blog66

    NVIDIA 与 Elith 发布 Nemotron-Personas-Finance-Japan 日本金融合成数据集

    NVIDIA 与 Elith 发布开源数据集 Nemotron-Personas-Finance-Japan,用于构建和评估符合日本人口与金融环境的 AI。数据集包含 9M personas、每条记录 50 个字段和约 1.5B tokens,基于官方人口与劳动力统计,并加入家庭财务、金融素养等信息。

    推荐理由:该数据集把日本官方统计与金融场景结合,并明确规模、字段、构建流程和许可,为金融 AI 开发提供了可复用的数据基础。

  2. MIT Technology Review · AI24

    Lubrizol 运用 AI 推动特种化学品创新

    Lubrizol 正构建数字基础,将业务流程、现代数据平台与云基础设施连接起来,以支持研发团队加快材料创新。其“融合团队”让科学家、数据科学家与 IT 协同开展小型试点,并用数字建模评估配方、淀粉和玉米基替代材料及产品全生命周期权衡。AI 建模还能帮助团队在扩大生产时兼顾性能、法规与财务约束。

11月8日周日
  1. The Decoder54

    Richard Sutton 认为仅靠计算扩展不足以实现智能

    Richard Sutton 提出仅增加计算量不足以产生智能,AI 研究需要能够持续学习的新方法,并应发展具备世界模型、从经验中学习的智能体。Jerry Tworek 认为算法在 LLM 扩展中的作用日益关键,Jayden Teoh 则指出研究社区不应过早否定无法随规模扩展的想法;Sam Altman 和 Dario Amodei 仍认为 LLM 扩展远未触及极限。

11月7日周六
  1. TechCrunch · AI54

    Physicl获1000万美元种子轮融资,开发机器人高保真仿真工具

    机器人仿真初创公司Physicl获得由Inovia Capital领投的1000万美元种子轮融资,用于提升物理AI模型的仿真训练效果。公司同时推出Studio,内含10,000个3D环境和100,000个物体资产,可针对特定边缘案例生成合成训练数据。早期客户SpAItial使用其高保真合成数据提升3D仿真质量。

11月6日周五
  1. Hugging Face Blog66

    ToyBlocks:用于机器人学习与评测的受控仿真世界

    AllenAI 发布 ToyBlocks,一个围绕机械臂与桌面积木构建的开放机器人学习与评测框架,并公开仿真资产、任务与示范生成器、模型、训练代码、评测代码和验证集。

    推荐理由:ToyBlocks将自动任务与示范生成、模型训练和评测置于同一受控环境,并公开数据、代码与验证集,便于系统研究机器人学习中的泛化、规划和失败模式。

  2. AIHOT79

    百度发布并开源 ERNIE-5.5-Flash-Base 预训练 Base 模型

    百度发布并开源 ERNIE-5.5-Flash-Base,一款总参数 280B、每 token 激活 14B 的稀疏 MoE 预训练 Base 模型。模型在 33.5T tokens 上从零完成预训练,训练上下文逐步扩展至 128K tokens,微调与推理支持 1M tokens 上下文。

    推荐理由:开放未经中后训练的 Base 权重并披露架构、训练与评测细节,为二次预训练和基线对照提供了可复用参考。