Applied Compute 融資 $350 million,估值達 $3.25 billion
Applied Compute 融資 $350 million,估值達 $3.25 billion,並披露年化經常性收入已超過 $100 million。這輪融資由天使投資者 Elad Gil 領投,Nvidia、Shopify Ventures 和 HubSpot Ventures 等參與。其雲端平台涵蓋 LLM 訓練與推理,採用異步 RL 和自我蒸餾,並提供模型路由 Shift-1。
Applied Compute 融資 $350 million,估值達 $3.25 billion,並披露年化經常性收入已超過 $100 million。這輪融資由天使投資者 Elad Gil 領投,Nvidia、Shopify Ventures 和 HubSpot Ventures 等參與。其雲端平台涵蓋 LLM 訓練與推理,採用異步 RL 和自我蒸餾,並提供模型路由 Shift-1。
清華大學自動化系的論文提出,通往 AGI 不應只擴大 System‑2,而要與輕量 System‑1 協同設計,預先篩選有價值的交互。理想情況下,算力可縮減至接近 $1/\rho_u$,但預測錯誤和探索需求會削弱節省效果。論文並提出以有效資訊算力,而非總算力,描述模型縮放規律。
CAD AI 圖元與圖例識別融合多模態視覺大模型(VLM)及三維幾何深度學習,用於圖紙審核、工程算量、數字化轉錄及 BIM 逆向建模。系統結合矢量解析、柵格向量化、語義分割、拓撲重建與人機協同校核,工業級應用通常要求準確率達到 99% 以上。大型圖紙可透過分塊並行流式處理與 R-Tree 加速。
文章指出,目前不存在後訓練數據共享庫。評論認為,這類共享庫可能需要一定保護,因為建立相關數據需要付出大量努力,而且可能影響人們透過工作賺取收入的能力;也有人提出,政府可能為提升競爭力而以公共項目形式建立共享庫。
OpenAI 等 AI 公司正攻關數學,Lean 等形式化證明工具可嚴格檢查 AI 生成的證明。Mathlib 已累積超過兩百萬行形式化數學內容,通過驗證的證明亦可為 AI 提供反饋,但以此推動自進化的成效仍未可知。Lean 不能判斷問題是否正確表述或有實際價值,也不適用於難以形式化的現實問題。
教學示範如何以 Python 和 Scikit-Learn 建立端到端機器學習流程,利用巴西 DataSUS 的逾 260,000 筆 2025 年患者紀錄預測康復或死亡。流程以 Random Forest 配合 HalvingRandomSearchCV 搜尋超參數,並透過分層抽樣處理死亡病例約佔 8% 的類別不平衡。
這篇指南比較 LoRA 與 QLoRA 微調大語言模型的差異,建議在 16-bit 基礎模型可放進負擔得起的 GPU 時用 LoRA,否則選 QLoRA。QLoRA 以 4-bit NF4 儲存凍結的基礎模型,可減少約四分之三的基礎權重記憶體用量,但通常稍慢;文章建議用保留集比較任務表現。
作者打造戲仿語言模型 brAIAIn,讓用戶以每句 $2.49 付費提交訓練句子,生成輸出則免費。模型採用帶回退的詞級 trigram,有 476 個參數,GSM8K 得分為 0.0%;最新付費句子在訓練中計四次,每個版本生成的三段短文也會納入下一版訓練資料。
作者以 Switch 0.31.0 示範如何自託管 Switch,並把 Shield 數據質素智能體接入團隊聊天室,讓它解釋每日檢查結果,只在人手批准後修改數據。
Liam Warner 與 Nicola Bodill 首次從 PHerc. 306B 古卷讀出可辨識文字,並獲 $50K First Letters Prize。
Fireworks 在 Forge 發佈多項產品與功能,涵蓋推理服務、模型訓練、日常工作工具接入及企業部署治理。Fireworks Ultra-fast 公開預覽版在 DeepSeek V4.1 Flash 演示中達每秒 1,500 個 tokens;一項基準測試的 30 輪 Agent 任務,完成時間由 1 分鐘降至 8 秒。
AI 產品開發應設立明確決策關卡,按問題界定、資料權限、實驗、驗證及生產審查五個階段推進,避免未通過檢查便進入下一階段。訓練前須核實資料來源、使用權及私隱保障;部署前則要確認模型勝過簡單基準,並完成安全與偏差評估。上線後需持續監察數據漂移、延遲及錯誤率。
OpenHands 與 Snowflake 提供一套流程,讓開發者沿用既有 OpenHands Agent harness 為模型進行後訓練。流程以 Harbor 格式定義任務,由 Snowflake Cortex Training 提供 RL GPU 基礎設施;OpenHands 的 cortex-training-rl skill 可協助設定及執行訓練。
DreamFree 透過未來表徵蒸餾,構建無需生成未來影片的世界動作模型,並能隨影片模型規模及影片數據增加而提升控制表現。在 DROID 數據集上訓練後,DreamFree 在 10 項真實世界任務中取得 64% 成功率,高於 DreamZero 的 56% 和 π0.5 的 16%。其 14B 影片骨幹在單張 H200 上以 11 Hz 運行,推理速度較 DreamZero 快 17.8 倍。
Open-HumanScale 論文提出擴展具身基礎模型人類影片預訓練的開放方案,並發布附有手部動作及自然語言密集標註的 50,000 小時 Open-HumanScale-50K 資料集。
Zuse 由 4B、9B 和 27B 三個決策模型組成,面向 27 種歐洲語言,以凍結的開放權重基礎模型為底座,訓練低秩適配器和指針頭。涵蓋 27 種語言、9 個任務組別的評測中,27B 模型準確率為 87.5%,整體期望校準誤差為 0.016。研究發現,校準偏差主要按任務而非語言區分,且超出訓練語言的表現受基礎模型所涵蓋語言影響。
TailSteer 是一種最終階段訓練框架,透過令早期去噪動態貼近基礎模型,並在軌跡尾段學習保留修正,減少多輪圖片編輯中的累積視覺漂移。FLUX、SenseNova 和 Qwen 系列的實驗顯示,TailSteer 在 15-20 輪編輯中大幅減少漂移,同時大致保留基礎模型在文字生成圖片及單張圖片編輯基準上的表現。
對 Hyper-Connections 架構的系統研究提出 SimpleHC,透過移除殘差混合及共用記憶體存取,在維持 mHC 相若表現的同時簡化架構。SimpleHC 在最大測試規模下,端到端訓練時間僅較標準殘差基線多 2.4%。模型由 15B 擴展至 30B MoE 時仍維持相若表現,訓練期間梯度變化較平順,並在壓力測試下保持穩定。
MIT CSAIL 研究團隊的權重空間編程研究顯示,GPT-6 Astra 無需梯度下降或微調,便可修改 Qwen3.5-0.8B 的 131,072 個權重以修復重複循環。
推薦理由:文章並列成功與失敗案例,呈現直接編輯權重較適合移除單一故障障礙,未能補足模型原本欠缺的能力。
Ai2 推出 StateBench,這套基準評估語言模型在長篇文件中追蹤實體狀態變化的能力,並將任務按複雜度分為四級。從零開始訓練、參數量為 275 million 的模型在最長 64,000 次變數賦值序列測試中,Gated DeltaNet 及混合模型在前三級幾乎完美泛化;Transformer 則未能學會最難的通用有限狀態任務。
Bo Young Lee 認為,女性真正需要的不是把育兒及家務管理外判的「AI wife」,而是正視性別偏見、讓女性參與建構和審核的 AI。她引用的 2024 年 UNESCO 委託研究指出,模型會把女性名字與「家居、家庭、子女」等詞關聯;Meta 的 Llama 2 回答關於女性的句子時,約每五次有一次產生性別歧視或厭女內容。
Palette以LoRA微調20B開放權重模型,讓模型按指定設計語言規劃並生成簡報,並以檢查器核驗版面。訓練數據依據 IBM Design Language 合成,涵蓋約 1000 份簡報、約 10,000 張投影片;模型在 PresentBench 測試的三個領域中有兩個排名第一。設計與編寫程式碼分工後,每張投影片可並行處理,編碼階段快約 6–7×。
KAIST 的微調方法 CluSTER 透過挑選具代表性的訓練數據,將一次 10 小時的訓練縮至約 3 小時,測得效能幾乎不變。報告的最高節時幅度為 69.6%;31% 是醫療問答實驗所用的數據比例,並非通用值。測試涵蓋 7B 和 13B 模型及八項基準。
智合標準中心組織編制的全國首部聚焦醫療人工智能應用的數據安全與私隱保護標準,現仍有最後參編機會。標準涵蓋數據取得、標註與預處理、訓練與微調、驗證評估、部署推理及退出等全流程,並將數據安全保護級別分為一級至四級。
機器學習的新視角是把 AI、DL、ML 工程師視為教師、模型視為學生,並把數據視為教材;工程師須透過訓練引導模型學習數據中的模式。模型會以未見過的測試數據評估,常用指標包括 R² score、MSE、ROC AUC、Accuracy、Precision 和 recall。
作者認為,GPT-6 Astra 直接讀取及修改神經網絡權重的表現雖然出色,但不代表它具備超越人類研究者的 AI 研究能力。Astra 能從小型網絡的權重辨認其訓練遊戲,並修改 0.8B Qwen 模型的權重,修正模型在生成超過 32k tokens 時陷入循環的問題,使其能處理需要超過 32k tokens 的數學題。
Snowflake在 Expedition 2026 宣佈擴展 AI 智能體平台,推出 Business Ontology、擴充 Cortex AI Gateway,並公佈自主數據工程及 Cortex Training。
文章指出,將 Astra 描述為僅讀取原始權重便提升 Qwen3.5-0.8B 數學表現並不準確,因相關實驗使用 Python,並讓模型最多執行 50 批練習題。
指令微調透過指令與期望回應的例子,對預訓練模型進行監督式微調,令模型在互動任務中更實用、可控及一致。它不同於沒有明確用戶—助手目標的原始文本預訓練,並可按模型對未見指令的泛化能力評估。
Shivam Dwivedi 指出,權重空間編程即使禁止梯度更新,仍可透過目標模型的行為回饋引導權重修改。研究團隊報告,GPT-6 Astra 可直接讀寫神經網絡權重;Qwen3.5-0.8B 在可使用 Python 分析和行為回饋的數學實驗中,MATH-500 得分由 7.9% 升至 48.1%。
兒童繪本作家兼插畫師 Chelsea Paulus 的網站遭 Meta 爬蟲帶來逾 55 萬次訪問,主機資源被耗盡,至週一仍不穩定。Meta External Agent 和 Meta Web Indexer 先後出現;她修改 robots.txt、配置防火牆後仍未能即時阻止請求,並暫時移除 Instagram 個人頁面的網站連結,以免真人訪客令網站宕機。
深度原理於11月2日發佈首款通用大模型 Hydrogen-1.0,基於 GLM-5.3 訓練並同步開放模型權重。Hydrogen-1.0 在 FSR 評測的解題成功率為38.3%,高於 GPT-6-Astra 的33.3%;在 GPQA-Diamonds 的準確率為93.0%,接近 Kimi-K3 的93.5%。
《金融時報》報道,Nvidia 要求數據中心合作夥伴至少 51% 的雲端服務售予非中國企業,規定只適用於新合約,既有協議不受影響。報道引述五名知情人士稱,Nvidia 透過銷售及區域團隊口頭傳達要求,未發出書面指示;Nvidia 未向 AFP 確認或否認。許多中國科技公司依賴中國境外雲端供應商提供算力訓練 AI 模型,這項限制為相關公司增添障礙。
DRAP 提出一種免重播持續學習方法,按軌跡放大風險調節模型組件的可塑性,以提升 Physical AI 對舊有行為的保留能力,同時學習新任務。方法在固定的 OpenVLA 子網絡上評估,並於 LIBERO Spatial、Object 和 Goal 測試套件進行序列適應;相比標準 AdamW 微調和 EWC,DRAP 改善了舊行為保留,並維持新測試套件的學習能力。
Bright Data 公關及傳訊高級總監 Jennifer Burns 建議,想阻止 AI 智能體存取內容的出版商,應要求用戶登入後才可瀏覽。她認為,毋須登入即可瀏覽的內容屬公開資料,也應向 AI 開放;付費牆亦算登入門檻,Bright Data 不會接觸其後內容。
企業選擇數據治理方案,應按自身數據規模、AI 項目進度、合規要求及團隊配置,評估治理成果能否供 AI 使用、元數據和血緣能否隨數據加工同步生成,以及治理效率如何實現。數聚股份的數聚治理平台 DGP 涵蓋語義、元數據與血緣、AI 賦能治理,據披露可縮短 AI 建模前數據準備週期 65%,並減少約 68% 審計準備時間。
FLAMIA 提出面向 Blackwell 的注意力核心,透過 MXFP8 及混合精度訓練路徑加速前向與反向計算,並防止因果資訊洩漏。涵蓋量化的 MXFP8 路徑,在 B200 的加速幅度為 1.10–1.40 倍,在 B300 為 1.06–1.42 倍。研究亦在 Llama 類預訓練模型上驗證訓練穩定性及品質維持。
LG AI Research 在 ICML 2026 回顧結構化數據與時間序列深度學習研究,並介紹其為緩解 TabPFN 類別偏差而提出的 DistPFN。團隊分析 OpenML 的 253 個表格數據集,發現約 85% 存在類別不平衡;極端情況下,TabPFN 將 98.3% 的測試樣本預測為多數類別。DistPFN 在推理時調整預測機率,以減少訓練數據類別比例對預測的影響。
元環智能(MetaCircle)宣佈完成連續兩輪共計數億元融資,資金將用於元模型核心演算法迭代、階段性產品探索、擴充團隊及持續發布自研基準。公司明年將推出不限定場景的通用元模型1.0,近期亦會發布 Architecture IQ,用於評估大模型和人類研究員對模型訓練的直覺水平。
Pune 的 Dispatch Network 獲 Antler India 領投 ₹5 crore 種子前融資,將資金用於擴充 AI 團隊及開發大型物流時空模型 LLSTM,以改善配送訂單分配並減少騎手閒置時間。公司稱,其網絡騎手每月收入較業界平均高約 55%,空駛里程少三分之二。公司計劃於 November 擴展至 Mumbai。