跳到正文
11月20日週五
  1. DEV Community52

    SQL 中的時點基本面數據:版本化事實、撤回與重播測試

    文章提出一套以 SQL 管理時點基本面數據的方法,將穩定事實與其版本分開保存,並按決策截止時間選取最新可用版本,以免後續申報改動覆寫歷史查詢結果。文中以 PostgreSQL 風格 SQL 示範如何保留撤回狀態,並透過重播與策略輸出整合測試,檢查新增未來版本後歷史因子、排名及投資組合權重是否改變。

  2. DEV Community59

    Netflix 和 Spotify 如何預測你接下來想看或聽甚麼

    文章解釋 Netflix 和 Spotify 如何按用戶的觀看及聆聽行為推薦影片與音樂。Netflix 在 2025 年 3 月以一個 Foundation Model 取代多個窄用途模型;Spotify 則結合協同過濾、自然語言處理及音訊分析。兩者以觀看時間、互動和留存為優化目標,用戶可透過回饋及搜尋不同內容來調整推薦。

  3. HuggingFace Daily Papers(社區熱門論文)37

    訓練視覺模型以支援 LLM 驅動的權重空間程式設計

    研究團隊建立 LLM 驅動視覺模型權重空間程式設計基準,並發現專為編輯準備模型可大幅提升編輯成功率。研究以 5 個 LLM 在 4 個數據集上進行超過 2,600 次編輯;Edit-Ready Training(ERT)在 GPT-6 Astra 和 Claude Opus 5.5 的所有評測基線中取得最高平均分。團隊將公開測試框架、任務、編輯軌跡及評分。

  4. elsewhere:文章59

    AI4S之後,AI瞄準製造業

    5Y Research分析AI如何進入前沿工程與製造業,並探討以AI串聯設計、模擬、試製和測試的研發路徑。文中舉例,PhysicsX以AI模型加快心臟輔助泵方案搜尋,約10小時找到新結構;按PhysicsX綜合多項指標的口徑,較基準方案改善約42%。文章指出,工程數據分散、驗收依賴客戶實際場景,方案仍須經模擬、實物測試和工程師驗證。

  5. 阿里雲開發者社區 AI47

    AI 是甚麼?一份不玄學的解釋

    AI 是以數學和統計學為基礎的工程實踐,透過計算從數據中找出規律,再用來預測結果;模型本質上是把輸入映射到輸出的函數。文章梳理 AI、機器學習與深度學習的層級關係,並指出數據、算法、算力和應用場景都是重要要素。AI 並非萬能,也不代表模型真正理解內容。

  6. DEV Community61

    初創公司需要 Bronze、Silver、Gold 數據層嗎?先保留三項基礎

    文章認為,沒有數據專員的初創公司通常不必一開始採用 Bronze、Silver、Gold 三層架構,但應保留未修改的原始數據副本、記錄變更歷史的模型,以及書面資料定義。當映射表越來越多、出現需求不同的第二個數據使用者,或重複轉換工作值得儲存時,再增加相應數據層。文中提供 PostgreSQL 16 範例,示範原始數據表、歷史表和客戶映射表的做法。

  7. 虎嗅60

    AI4S之後,AI瞄準製造業

    AI正由前沿科學延伸至前沿工程,進入設計、模擬、試製與製造閉環,協助突破引擎、散熱及微型開關等性能瓶頸。PhysicsX 的心臟輔助泵項目按公司綜合指標口徑改善約42%,支架模擬方案減重18.5%;Atomic Machines則以 Matter Compiler 協調多種微製造工序,開發 PrimeSwitch。

  8. 虎嗅74

    加州禁止 Waymo 在全州高速公路進行無安全員營運和測試,對中國企業有何啟示?

    加州車管局因 Waymo 接連駛入施工封閉區,禁止其在全州高速公路上進行無安全員營運和測試。禁令後,Waymo 把高速載客服務暫停範圍擴至舊金山灣區、洛杉磯、鳳凰城、邁阿密和奧斯汀;文章指出,施工等道路規則突變會考驗自動駕駛系統。文章並指出,除改進車載軟件及模擬訓練外,及早向車輛傳送封路和交通管制資訊,也可補充車端判斷。

  9. elsewhere:文章40

    道彤 × 百曜科技:讓新藥試錯先在虛擬細胞中進行

    百曜科技以新一代虛擬細胞世界模型 CellOS,連接真實實驗與人體數據、不同尺度的模型、科學智能體和實驗驗證,建立持續學習的研發系統,讓細胞幹預先在虛擬空間推演。CellOS 採用隱空間對齊架構及 LLM-JEPA 策略;百曜亦正為 CHO、HEK293 工程細胞開發虛擬細胞模型,目標是支援每小時百萬次模擬。公司未來一年的目標,是讓系統在真實項目中穩定輸出預測。

  10. 新浪科技61

    從「雙頭蝦」到一萬張鳥類貼紙,AI 泔水正污染知識

    文章指出,逼真的 AI 科普內容若有細節錯誤,可能在傳播和後續訓練中放大知識污染風險。案例之一是涵蓋全球11064種鳥類、免費開源並允許商用的貼紙;開發者投入超過10億Token生成和審核,貼紙仍可能畫錯辨種特徵。文中引述的出版原則要求 AI 輔助內容標識可識別、內容可核驗、責任可追溯;物種形態等準確性至關重要的圖示,須由專家審查。

  11. HuggingFace Daily Papers(社區熱門論文)38

    AutoMaster:透過讓同一模型成為更好的教師實現自主後訓練

    AutoMaster 是一套自主後訓練系統,透過分析軌跡、設計技能、篩選資料及評估目標模型,改善同一模型生成教師軌跡的方式。系統在 Terminal、Search 和軟件工程任務中,以 4B 和 9B 目標模型測試,較 Vanilla SFT 的平均表現提升 1.42-8.99 個百分點。六種設定均顯示,微調時保留技能指示的平均表現較移除指示更高,即使評估時沒有這些指示,監督輸出亦相同。

  12. HuggingFace Daily Papers(社區熱門論文)11

    後驗匹配蒸餾

    《Posterior Matching Distillation》以後驗匹配蒸餾為題,收錄於 HuggingFace Daily Papers 社區熱門論文。頁面顯示,目前沒有模型、數據集或 Space 連結至該論文。

  13. 創業邦59

    馬斯克在深圳力挺黃仁勳,稱英偉達失去他是重大打擊

    馬斯克在深圳訪華期間遠程參加 TomorrowX 峯會對談,稱黃仁勳如巔峯時期的 Michael Jordan,並指英偉達失去他的掌舵是重大打擊。對談亦談及 SpaceX、xAI、Tesla 等公司的進展;馬斯克稱 xAI 正以 C/C++ 從頭重寫訓練、強化學習及推理軟件堆疊,Grok 4.8 以解決實際問題為目標,而非提高基準測試成績。

  14. DEV Community58

    大語言模型為何會誤讀 Excel,以及如何用 Python 修正

    文章指出,Excel 公式、合併儲存格和數字顯示格式會令大語言模型誤讀資料,並示範以 Python 的 Spire.XLS 整理工作簿。流程包括檢查工作表結構、計算公式、攤平合併儲存格,再按用途匯出 CSV、JSON 或 Markdown;需要控制欄位型別時,可逐欄建立 JSON 記錄。作者指出,這套做法修正的是資料形狀,商業語義如何處理仍由使用者決定。

  15. IT16823

    RWS 集團首席執行官本傑明·法斯出席深圳 APEC 峯會,探討中國 AI 市場機遇與全球化服務

    RWS 集團首席執行官本傑明·法斯出席深圳 APEC 工商領袖峯會,分享對中國市場潛力及 RWS 在華策略的看法。旗下 TrainAI 為大語言模型與具身智能提供 AI 訓練數據服務,涵蓋數據採集、標註、RLHF 及紅隊測試。TrainAI 社區有來自 193 個以上國家和地區的 34 萬餘名專家,服務支援 900 多種語言變體。

  16. 阿里雲開發者社區 AI53

    AI工程師踩坑實錄第12篇:loss 不降反升時如何排查,先別懷疑模型結構

    《AI工程師踩坑實錄》第12篇以四組對照實驗指出,loss 不降反升的常見原因是學習率過大、標籤噪聲或特徵量綱失控,模型結構問題應較後排查。學習率設為 0.5 的組別在第 1 步驗證 loss 為 1.67,第 60 步訓練 loss 升至 1.30;標籤翻轉組的驗證 loss 第 97 步觸底於 0.478,第 300 步升至 0.714。

  17. 阿里雲開發者社區 AI25

    智能慢性病管理平台的多源資料融合與動態風險預警實踐

    智能慢性病管理平台融合穿戴設備、家用檢測儀器與電子病歷等多源資料,利用動態風險預測模型進行指標監測、風險分級與個人化幹預。平台採用雲原生微服務架構,建立「監測—評估—幹預—反饋」閉環,並透過線上監控和新標註資料微調模型。AI 建議須由醫生復核,不能取代臨牀決策。

  18. DEV Community36

    超越凍結權重:測試時訓練(TTT)如何讓推理變成即時學習

    測試時訓練(TTT)透過在推理期間更新模型的快速權重,讓模型從當前讀取的上下文中即時學習,而非只把資訊壓縮成固定狀態或存入 KV cache。TTT 層以自監督重建任務產生梯度訊號,Titans 則按驚訝度決定記憶更新優先次序。Nested Learning 將凍結的慢速外層權重與可快速適應局部上下文的快速內層權重分開。

  19. DEV Community32

    模擬與 Sim2Real 遷移——第 03 章:域隨機化

    域隨機化透過在訓練期間改變模擬環境參數,讓 AI 策略適應多種條件,減少對單一模擬設定的依賴,協助轉移至實體機械人。隨機化範圍可涵蓋視覺特徵、物理動態及感測器特性,促使策略更依賴可靠特徵和感測回饋。成效取決於訓練條件是否涵蓋或接近真實環境;不切實際的分佈或參數覆蓋不足,仍可能導致部署失敗。

  20. DEV Community51

    跨雲訓練工作如何在啟動 GPU 前完成網絡預檢

    跨雲訓練工作應在分配 GPU 前,按實際作業規模預檢數據讀取、工作節點互傳和 checkpoint 寫入,避免網絡或儲存瓶頸令加速器閒置。檢查應模擬並發讀取、all-reduce 或 broadcast、實際大小的 checkpoint 寫入,並核對端點 DNS、配額及事先訂明的門檻。若未達標,可調整工作位置、先把數據暫存至運算附近,或縮小工作規模;預檢結果應隨每次作業記錄。

  21. DEV Community70

    租用 GPU 微調的成本教訓:填充運算如何推高費用

    作者分享租用雲端 GPU 微調克里米亞韃靼語模型時的成本教訓,指出填充運算及周邊流程故障會增加訓練費用和耗時。短對話填充至 seq_len = 1024 時,有用 token 比例約為 5%;採用 packing 後升至 99%,第二階段成本由舊方法估算的 $331 至 $413 降至 $14 至 $17。文章亦提出按實際處理量估算成本、按工作時長設定檢查點,以及在本機完整演練訓練流程等做法。

  22. The Decoder80

    中國科技企業受雙重打擊:晶片出貨暫停,海外雲端算力存取受限

    美國收緊 AI 晶片出口管制後,中國科技企業同時面對海外雲端算力存取須申請許可及部分晶片出貨暫停。Moonshot AI 取消與印尼一家雲端供應商價值 $150 million 的合約,原計劃明年租用 Nvidia Blackwell Ultra B300 集羣訓練 Kimi K4。

    推薦理由:文章串連第三國雲端算力須申請許可、部分晶片出貨暫停及融資承壓等報道,呈現出口管制對中國科技企業取得 AI 算力的多重影響。

  23. DEV Community59

    LLM 需要多少 VRAM?EverXCloud 計算器的估算原理

    EverXCloud 公開免費 LLM VRAM 計算器及 GitHub 原始碼,並説明其估算推理、微調和圖像模型記憶體需求的公式。推理估算將權重與 KV cache 相加後計入額外開銷;例如 70B 模型在 BF16 下,權重需要 140 GB,尚未計入 KV cache 和額外開銷。多 GPU 估算未計互連和框架開銷,結果只適合作規劃參考;長租前應在目標 GPU 上測試。

  24. Unite.AI34

    Holyvolt 創辦人兼 CEO Mathias Ingvarsson 訪談

    Holyvolt 創辦人兼 CEO Mathias Ingvarsson 討論公司如何結合機器學習與實驗,推進電池材料開發及由預測走向驗證和規模化生產。Holyvolt 收購 Wildcat Discovery Technologies,並利用其涵蓋超過 500,000 個電池、歷時 18 年及 165 million 次循環的實驗數據建立 AI 電池研發平台。