跳到正文
11月9日週一
  1. 虎嗅67

    國產大模型的困難才剛剛開始

    文章認為,國產開源大模型正面臨蒸餾追趕窗口收窄、API 價格競爭受壓,以及 Reflection AI 的 Beam 對主權 AI 場景形成競爭的三重挑戰。文中指出,Claude Haiku-5.5 在四項長程編碼基準的性價比高於 Kimi-K3,而 Beam 的基準成績接近 GLM-5.2,其 RL 訓練使用 10500 張 GB300。

  2. DEV Community50

    在訓練、驗證及測試集劃分中保持已聲明羣組完整

    本地瀏覽器規劃工具按用戶聲明的羣組分配訓練、驗證及測試集,讓每個羣組完整分配至同一資料集;工具不判定羣組是否可信,也不證明資料獨立。相同文字會透過 union-find 合併為分配單位,NFC 與空白正規化只用於切分後列出待審核候選,結果可交由同一項目的 0.1 CLI auditor 檢查。預設的 36 條合成記錄分配為 30/3/3,狀態為 REVIEW。

  3. 阿里雲開發者社區 AI30

    大型企業如何做好數據治理?從頂層設計到落地的五步實踐框架

    大型企業可按五步螺旋框架推進數據治理:戰略規劃與現狀評估、標準構建與資產沉澱、開發治理一體化、安全與合規,以及持續運營與價值反哺。框架主張把治理規則嵌入數據生產流程,透過持續度量和迭代,避免治理停留在事後補救。文中以瓴羊Dataphin及多家企業實踐説明各階段的落地方式。

  4. 新浪科技54

    對話 Arc Institute 周鏡天:生物學存在 Scaling Law,但更大的模型能解決多少問題?

    周鏡天認為,生物學存在 Scaling Law,但持續擴大模型和數據並不代表能解決所有生物學問題。對 DNA 序列重建等明確任務,增加訓練數據和模型參數可以提升表現,但這種提升能否轉化為更廣泛、複雜的生物學預測能力,仍需探索。周鏡天表示,虛擬細胞研究最終仍須回到真實的生物學實驗,驗證模型能否協助解決具體問題。

  5. DEV Community50

    2026 年劣質 B2B 資料如何破壞 AI 技術堆疊

    劣質 B2B 資料會破壞企業的 AI 技術堆疊;AI 不會修復錯誤資料,反而會放大問題。Experian 的 2026 年英國研究顯示,93% 的受訪決策者有信心信賴所用的外部商業資料,但 95% 在過去 12 個月遇過劣質資料造成的商業後果。文章估算,B2B 聯絡資料每月約有 1–3% 失效,企業應預計每年有 20–30% 的資料庫資料變得過時。

  6. DoNews26

    雲刻行 coScene 獲近億元人民幣 Pre-A 輪融資

    人工智能場景數據平台雲刻行 coScene 宣佈完成近億元人民幣 Pre-A 輪融資,由天機智能與詠歸基金聯合投資。公司聚焦自動駕駛、機械人、物聯網及 AR 等複雜場景,自主研發 SaaS 平台,應對多模態數據處理投入高、效率低的痛點。融資將用於產品迭代、擴充團隊及拓展市場。

  7. 虎嗅62

    國產大模型的困難才剛剛開始

    文章認為,國產開源模型面臨蒸餾追趕窗口收窄、API 價格戰幾乎無勝算,以及 Reflection AI 的 Beam 對主權 AI 市場構成威脅等壓力。文中指出,Beam 以 4 週、10500 張 GB300 進行大規模 RL,基準測試成績接近 GLM-5.2,而國產模型的核心限制仍是算力。

  8. 虎嗅51

    美國中期選舉民主黨大勝,國產 AI 或受晶片出口管制衝擊

    虎嗅文章認為,美國中期選舉後民主黨取得國會兩院多數,可能加大對英偉達 AI 晶片對華出口的限制,令國產大模型的算力瓶頸加劇。文章指出,數據中心建設放緩可能拖慢美國 AI 發展,但不至於顛覆美國 AI 產業。文中認為,沃倫若出任參議院銀行委員會主席,可透過公開調查及傳喚增加對英偉達和 BIS 的壓力,B300 對華流通也可能因此更受限制。

  9. DEV Community31

    因果性與科學 AI——第 05 章:因果 AI 與學習

    本章探討因果表徵學習如何從觀測數據中捕捉生成數據的因果因素,而非只編碼統計相關性。結構因果模型、幹預、時間數據及多重環境等資訊,有助學習潛在因果結構;但僅憑被動觀測數據通常無法識別真實因果變數。這類表徵可連結感知、預測、規劃與控制,並支援模型在分佈變化下重用知識。

  10. DEV Community28

    《因果與科學 AI》第 07 章:工程與部署 [KR]

    《因果與科學 AI》第 07 章説明如何把原始資料轉化為可供因果分析、模型訓練、評估及部署使用的可靠輸入。資料管道須保留來源、時間同步、介入狀態及環境脈絡,並妥善處理驗證、清理、多模態整合和資料集分割。版本管理及可重現的處理流程,則有助追溯模型訓練所用的資料。

  11. 雷鋒網58

    不靠地方國資,猿聲科技憑甚麼吸引五源、線性與拓普入股?

    猿聲先達科技(深圳)有限公司於11月6日新增9名股東,註冊資本增加約18.8%,本輪融資金額尚未公佈。新增股東包括五源資本、線性資本、拓普集團、速騰聚創及上富電技;公司產品涵蓋 TACTA 多維觸覺傳感器、HEXSKIN 電子皮膚及 Magic Glove 數據採集手套,並延伸至觸覺數據與模型。

  12. DEV Community23

    人在迴路學習—第 07 章:進階人類 AI 系統 [KR]

    羣眾外包透過分配細小任務,收集人類知識、判斷、標註和回饋,支援 AI 系統的訓練與評估。參與者管理、任務設計和品質管控有助提升回應可靠性,並可配合主動學習及人類回饋強化學習(RLHF)。應用亦包括生成式 AI 評估和機械人數據集建立,並須顧及私隱、安全及公平報酬。

  13. DEV Community29

    人在迴路學習——第 09 章:實驗與基準測試 [KR]

    人在迴路基準測試系統評估整合人類判斷、回饋、修正及監督的 AI 系統,並衡量人類參與對學習效率、可靠性、適應能力、營運成本及整體表現的影響。評估範疇包括主動學習、人類回饋、監督、人機協作及營運工作流程,並以準確度、標註效率、介入表現和適應速度等指標衡量結果。

  14. 阿里雲開發者社區 AI50

    數據工程:抓取的網頁有多少能真正用於模型訓練?

    大語言模型課程第 8 課梳理了將 Common Crawl 原始網頁轉化為模型訓練數據的六道工序,包括採集、去重、過濾、配比、合成及評估。正文抽取後約只剩 10%~20%,經去重和質素過濾後最終留存遠低於一半;DCLM 和 DoReMi 研究説明數據篩選與配比對訓練效果及成本的影響。

  15. 阿里雲開發者社區 AI33

    如何選擇政務公示、地方媒體與地圖數據作為本地信源

    本地信源採集應按各類來源能證明的內容選源:政務公示證明登記、許可與處罰,地方媒體證明近期活動與公開報道,地圖數據證明座標、地址與營業狀態,三者不能互相替代。文中示例設定政務、媒體、地圖 TTL 分別為 30 天、7 天和 90 天,並按主體標識、內容及發布時間判定同源、合併記錄。信源與 TTL 均為假設值,實際採用時須按地區重新設定。

  16. DEV Community15

    從血液檢查到蛋白質結合口袋:我的資料流程與 UCL 研究

    作者建立個人資料流程,把全血細胞計數(CBC)數據轉化為蛋白質建議,再輸入生成式設計流程製作結合口袋圖案。流程以 pandas 清理數據,參照 UCL 研究的百分位區間標示偏差,並使用本機 Stable Diffusion XL Base 生成圖案。最終成果是提供圖像和 CBC 指標儀錶板的 Flask 應用程式。

  17. 阿里雲開發者社區 AI29

    2026 年數據資產與數據交易如何分步實施?

    企業或機構可按四步推進數據資產化與交易:數據盤點及合規治理、確權登記與入表、產品化設計及打造高質量數據集,以及合規流通交易。文章指出,大模型帶動行業高質量數據集需求,將業務數據加工為 AI 訓練集是文中提出的變現路徑;安全合規是數據交易的前提。

  18. DEV Community32

    元學習與少樣本適應——第 02 章:MAML 與基於最佳化的元學習 [KR]

    MAML 是基於最佳化的元學習核心方法,透過內循環按任務適應、外循環更新共享初始化,目標是在少量樣本下快速適應新任務。FOMAML 忽略二階項以減低計算負擔,Reptile 則按任務適應後的參數差異更新初始化;Meta-SGD、LEO 和 Implicit MAML 進一步探索不同的適應與計算方式。

  19. DEV Community27

    元學習與少樣本適應——第 04 章:快速適應 [KR]

    快速適應讓模型只需少量新觀測、更新或互動,便能應對新任務與環境,減少重新訓練所需的資料和計算。章節涵蓋微調、參數共享、MAML、潛在空間適應及線上適應等方法,並討論過度擬合、災難性遺忘與不確定性管理。評估除預測準確度外,也需考慮所需樣本數、適應延遲、計算成本、記憶體消耗和效能穩定性。

  20. DEV Community30

    元學習與少樣本適應——第 08 章:工程與部署 [KR]

    《元學習與少樣本適應》第 08 章探討工程與部署,説明元學習數據管道如何將原始觀測值整理為學習回合,支援跨任務訓練與評估。管道涵蓋數據收集、預處理、任務與回合構建、支持集和查詢集劃分、避免數據洩漏及高效數據載入,並提及以 PyTorch 的數據集、數據載入器和自訂採樣器實作。

  21. HuggingFace Daily Papers(社區熱門論文)48

    ProTEUS:透過閉環蛋白質演化的突變解析世界模型

    ProTEUS 結合序列、演化與結構表示、快速全原子預測及閉環實驗回饋,引導蛋白質演化並提升突變體活性。其全原子預測器速度比 AlphaFold3 快逾 10 倍,並在零樣本及監督式微調突變預測任務中超越既有模型。兩項針對醛脱氫酶和左聚糖蔗糖酶的閉環工程實驗,均獲得活性高於野生型逾 10 倍的變體。

  22. HuggingFace Daily Papers(社區熱門論文)44

    PhysOPSD:以程式碼作為特權資訊,提升影片生成的物理合理性

    PhysOPSD 以可執行程式碼作為特權物理上下文,透過在策略自蒸餾提升影片生成模型的物理合理性。PhysOPSD-Engine 將真實物理情境轉換為可驗證的模擬程式,並結合雙層物理特權與受控變化。實驗顯示,使用 3K 樣本,PhysOPSD 在多種模型骨幹上勝過 SFT 和 RL 基線,同時保留一般影片生成品質。

11月8日週日
  1. DEV Community39

    為何過度潔淨的數據集會令生產環境中的視覺模型失效

    過度清理訓練數據集會剔除真實環境中的結構化噪聲,令視覺模型在眩光、毛毛雨或相機震動等情況下表現下降。文章建議保留具物理成因的變化,並制定數據保留清單,例如至少 20% 樣本包含低光或眩光,保留遮擋最多 60% 的物件。若模型在輕微真實噪聲下的表現下降超過 15%,訓練數據分佈可能清理過度。

  2. DEV Community64

    可重現的 LLM 評估:記錄每次執行,而不只是分數

    Obligra Verify 團隊提出 LLM 評估的記錄方法,把每次執行視為一次建置,記錄輸入並保存原始輸出,以追溯分數的來源。執行清單可記錄數據集雜湊、提示詞版本、固定模型 ID、參數及評分器版本;相同輸出和評分器版本應能得出相同分數。生成則可能有波動,作者建議同一設定重跑三或五次,並報告分數的離散程度。

  3. DEV Community54

    每日按揭利率匯入可能把歷史觀測洩漏至評估

    作者以按揭利率歷史資料示範如何按觀測身份識別重複項、保留數值修訂,並避免相同觀測跨越訓練與測試分區。流程按系列、月份及 512 個 token 的預算建立檢索文件,並以 2026-10-01 為界,將較早觀測分入 train,其餘分入 test。文章指出,觀測日期切分無法還原來源何時發布修訂值,因此不能單獨確保前瞻性評估。