跳到正文
目前篩選:一手
  1. NVIDIA Blog66

    NVIDIA 與 Microsoft 將加速運算合作由 Azure 擴展至 Windows PC

    NVIDIA 與 Microsoft 在 Microsoft Ignite 擴展全端合作,把加速運算及 AI 部署選項由 Azure 延伸至企業本地、邊緣設備和 Windows PC。

    推薦理由:EY 以 NVIDIA Nemotron 開放模型分類企業採購記錄,展示模型定製的實際成效,評估準確率提升 55%,成本較專有前沿模型低 15x。

  1. Microsoft Research71

    TokenEconomizer:從經驗學習,提升 AI 編碼智能體效率

    TokenEconomizer 是 UC Berkeley、Microsoft Research 和 Microsoft Security 開發的開源插件,透過程式碼庫過往工作階段學習,降低 AI 編碼智能體後續任務的成本。

    推薦理由:研究在 277 項修復程式錯誤任務中評估跨工作階段學習,呈現智能體利用程式碼庫經驗降低成本、同時維持大致穩定任務成功率的做法。

  1. Microsoft Research69

    Lazarus:重編程休眠神經元,為 AI 智能體植入後門

    Microsoft 研究人員發現名為 Lazarus 的後門技術,無需訓練,只要改寫 LLM 中少於 10 個休眠神經元的權重,便可令基於該模型的 AI 智能體在隱藏觸發條件出現時執行惡意命令。

    推薦理由:研究展示少於 10 個休眠神經元即可植入後門,並説明模型來源追溯及權重完整性為何成為智能體安全防護的關鍵。

  1. AWS Machine Learning Blog66

    Amazon Bedrock AgentCore Gateway 如何設定 ServiceNow 的 OBO token exchange

    AWS 示範如何設定 Amazon Bedrock AgentCore Gateway,透過 Microsoft Entra ID 的 OBO token exchange,讓 AI agent 呼叫 ServiceNow REST API 時保留原用戶身份。

    推薦理由:文章依次交代 Microsoft Entra ID、ServiceNow 與 AgentCore Gateway 的設定,呈現 OBO token 交換如何保留用戶身份並套用 ServiceNow 權限。

  1. Hugging Face Blog62

    ThinkingBox-Training 開放 GitHub,將資料庫終態檢查用作智能體後訓練獎勵

    ThinkingBox-Training 已在 GitHub 開放,將智能體完成任務後的資料庫終態可執行檢查用作後訓練獎勵。以 GRPO 對 Qwen3.8-27B 訓練 50 步後,在 ThinkingBox-Bench 的 507 項任務(每項測試 20 次)中,pass@1 由 51.70% 升至 60.78%,20 次全部成功的任務由 38 項增至 107 項。

    推薦理由:文章展示如何把資料庫終態的可執行檢查轉成智能體後訓練獎勵,並按基礎策略成功率篩選任務,説明混合成敗回報如何為 GRPO 提供組內對比。

  2. Microsoft Research60

    Flint-interactive:建立互動式數據視覺化的語言

    Microsoft Research 介紹 Flint-interactive,一種建基於 Flint、讓 AI 智能體建立互動式數據視覺化的語言。它以語義事件和高階更新運算子描述互動,並由 Flint 編譯器處理互動邏輯與視覺依賴,減少對低階視覺化程式碼的需要。Flint-interactive 可用於互動圖表、儀錶板及數據故事,並支援圖表與文字、表格、元件或應用程式狀態連動。

    推薦理由:它把互動轉為語義事件,再用高階更新運算子描述視覺變化,由編譯器處理底層依賴,呈現降低互動圖表實作複雜度的設計思路。

  1. Microsoft Research89

    Microsoft Research 研究人員證明 Kannan–Lovász–Simonovits(KLS)猜想,解決 31 年數學難題

    Microsoft Research 研究人員 Xinzhi Zhang 與合作者證明 KLS 猜想,解決了提出 31 年的高維幾何核心難題。研究團隊以人類主導的 AI 智能體流程探索逾 100 條候選路徑,再透過遞歸精化及控制累積誤差完成證明。另有獨立團隊提出證明,相關結果其後亦有 Lean 4 形式化驗證。

    推薦理由:研究呈現研究者如何透過多輪篩選引導 AI 探索證明方向,並以遞歸精化和有界累積誤差完成 KLS 猜想的維度無關證明。

  1. GitHub Blog · AI & ML62

    3 位 Java Champion 如何運用 GitHub Copilot 提升生產力

    三位 Java Champion 分享在生產環境及開源項目中運用 GitHub Copilot 的做法,並提出提升開發效率與確保程式可靠性的實踐。其中一人以 Copilot 將 15 份簡報、約 900 張投影片由 Reveal.js 遷移至 Marp,約用 8 至 10 小時,並透過截圖、動畫及 PDF 比對驗證。

    推薦理由:三位 Java Champion 的實例涵蓋功能開發、遷移和除錯,呈現需求釐清、驗證證據與人工審核如何支撐 AI 輔助開發。

  1. GitHub Blog · AI & ML62

    GitHub Copilot app 工作階段如何在 VS Code 延續

    GitHub Copilot app 的工作階段可直接在 VS Code 開啟,並保留原有對話、程式碼變更及工作脈絡,讓用戶在同一工作樹繼續工作。用戶可在 VS Code 逐行檢視差異、手動修改及本機測試,完成後把變更推送至該工作階段關聯的 pull request。

    推薦理由:文章示範如何把 Copilot app 工作階段及其工作脈絡帶入 VS Code,讓智能體產生的修改可在原有工作樹中接續檢視、測試及推送。

  1. Microsoft Research68

    Magnetar 以零知識證明支援通用計算

    Microsoft Research 介紹 Magnetar,一款零知識虛擬機(zkVM),可證明以 RISC-V 執行的程式,支援以 Rust、Go 或 C 編寫的程式,安全性只依賴標準雜湊函數。在筆記型電腦上,Magnetar 每秒可證明 7.2 至 8.7 百萬條處理器指令;在15項基準中,其平均速度比同一部電腦上最快的既有 zkVM 快 10 至 39 倍,證明約 12 毫秒即可完成驗證。

    推薦理由:文中以同一部電腦上的15項基準呈現 Magnetar 與既有 zkVM 的速度比較,測試涵蓋雜湊運算及小型 EVM 解譯器中的代幣轉帳。

  1. NVIDIA Blog60

    NVIDIA 在 OCP 全球峯會開放 Vera Rubin 架構,助力全球 AI 工廠擴展

    NVIDIA 在 OCP 全球峯會透過開放式 NVIDIA MGX 架構,向 OCP 提交 Vera Rubin 機架及運算托盤設計,並宣佈多項 AI 工廠基礎設施合作與開放標準。

    推薦理由:文章將機架、供電、網絡與軟件更新放在共同開放標準下,呈現跨供應商協作如何支撐 AI 工廠擴展的整體架構。

  1. NVIDIA Blog70

    NVIDIA 與 Microsoft 公佈 RTX Spark 電腦及 Windows AI 智能體方案

    NVIDIA 與 Microsoft 公佈為 Windows PC 打造 AI 智能體的軟硬件方案,並推出 RTX Spark 電腦、預告 DGX Station for Windows。

    推薦理由:文章把 Windows 智能體的系統級安全基建,與 RTX Spark、DGX Station for Windows 的本地運算配置及供貨安排放在同一脈絡,交代本地 AI 部署的軟硬件組成。

  2. Microsoft Research71

    Agent Lightning v1.0 開源約 3,500 行程式碼的輕量化框架,讓實際部署所用的智能體框架直接參與強化學習

    Microsoft Research Asia 開源 Agent Lightning v1.0,讓實際部署所用的智能體框架直接參與強化學習,無須在訓練框架內重新實作智能體。

    推薦理由:這套方法把部署時使用的智能體框架直接納入強化學習,並處理樣本拆分後的優勢計算與損失正規化問題,呈現可遷移的訓練設計。

  1. GitHub Blog · AI & ML63

    GitHub 推出 ReviewBench,作為 AI 程式碼審查開放基準

    GitHub 推出 ReviewBench,作為評測 AI 程式碼審查智能體的離線基準,研究預覽版已可透過網站使用。

    推薦理由:ReviewBench以219個跨19種語言的公開PR建立評測集,並公開多來源標註與評分方法;資深工程師判斷與基準的一致率為96.6%。

  1. Microsoft Research61

    Microsoft Research 介紹 Quine 生物學 AI 研究系統並開放 Fellows 計劃申請

    Microsoft Research 介紹 Quine,一個結合生物學多模態世界模型與互動式研究流程的 AI 研究系統,並開放首屆 Quine Fellows 計劃申請。

    推薦理由:Quine 將跨生物模態的世界模型接入文獻、科研工具與實驗迴圈,並以胰臟癌細胞狀態轉換案例展示預測如何進入濕實驗驗證。

  1. GitHub Blog · AI & ML66

    GitHub Copilot app 初學者指南:如何用 canvases 建立自訂工作流程

    GitHub Copilot app 的 canvases 可按用户描述生成自訂介面,讓用户與智能體在共享畫布中同步查看和更新工作內容。用户在 Agent 工作階段輸入 /create-canvas,描述所需工作流程、介面操作和智能體可執行的事項,毋須手動編寫程式或設計。畫布建立後會保存為擴展,可留在專案中供團隊共用,也可保存為個人擴展重用。

    推薦理由:文章從描述工作流程、介面操作與智能體職責開始,示範如何建立、反覆調整並保存可重用的畫布擴展,呈現把日常流程轉成協作介面的具體步驟。

  1. Microsoft Research63

    Microsoft 為 Physical AI Toolchain 加入機械人推理卸載功能

    Microsoft 宣佈 Physical AI Toolchain 新增機械人推理卸載功能,支援透過 Kubernetes 工具把 AI 工作負載分配至機械人、邊緣 GPU 和雲端。

    推薦理由:文章將實機工作負載的效能、電池續航與算力配置放在同一脈絡比較,並介紹以 Kubernetes 分配推理的工具,呈現卸載方案的收益與代價。

  1. GitHub Blog · AI & ML67

    Project HydraFusion 以多模型編排提供前沿級品質

    GitHub 推出 Project HydraFusion 研究預覽,以執行時多模型編排為編碼任務動態規劃模型工作流程。它會從不同供應商的模型中選擇 Single、Cascade 或 Critique 工作流程;所有 GitHub Copilot 方案用户可在 Copilot CLI 執行 `/experimental`,再執行 `/model` 選用 HydraFusion。

    推薦理由:三項離線編碼基準呈現 HydraFusion 不同的品質與成本取捨,與 Claude Opus 5 的對照能幫助理解多模型編排在不同任務上的效益差異。

  1. Hugging Face Blog63

    Hugging Face 精選模型目錄登陸 Microsoft Foundry Managed Compute,開放預覽

    Hugging Face 與 Microsoft 將每週更新的精選開放權重模型目錄加入 Microsoft Foundry Model Catalog,並可一鍵部署至 Foundry Managed Compute。

    推薦理由:文章梳理模型篩選、權重預置和執行環境掃描的上架流程,説明企業如何在私有網絡內部署而毋須連出 Hugging Face Hub。

  1. Hugging Face Blog63

    Florence-2 微調教程:Microsoft 視覺語言模型的 DocVQA 實作

    Hugging Face Blog 示範以 DocVQA 微調 Microsoft 的 Florence-2,使其適配視覺問答任務。訓練 7 個 epochs 後,驗證集 Levenshtein 相似度由 0 升至 57.0。文中提供凍結視覺編碼器、batch size 6 的低資源方案,並記錄以 8 張 H100、batch size 64 微調全模型需時 70 分鐘。

    推薦理由:文章以 DocVQA 示範 Florence-2 微調,並列出驗證集表現及不同 GPU 配置,可供評估下游任務適配與訓練資源。