富士膠片計劃將磁帶產能提升至現時5倍,AI數據推動磁帶復甦
富士膠片計劃把磁帶產能提升至現時5倍,這將是公司約20年來規模最大的一次擴產。計劃主要涉及壓縮容量最高100TB、原生容量40TB的LTO磁帶,目標在2028財年完成;100億日元投資目前未獲公司公開確認。AI訓練帶來的冷數據儲存需求,令磁帶的低成本、低耗電和離線防護優勢受到關注,但其讀寫速度較慢,幾乎無法隨機存取。
富士膠片計劃把磁帶產能提升至現時5倍,這將是公司約20年來規模最大的一次擴產。計劃主要涉及壓縮容量最高100TB、原生容量40TB的LTO磁帶,目標在2028財年完成;100億日元投資目前未獲公司公開確認。AI訓練帶來的冷數據儲存需求,令磁帶的低成本、低耗電和離線防護優勢受到關注,但其讀寫速度較慢,幾乎無法隨機存取。
個人及中小型團隊難以從零預訓練前沿模型,但可微調開放權重模型,打造專用 AI 系統。以 Apache 2.0 授權的 Qwen3.8-27B 為例,可用 LoRA、SFT 或 DPO 微調;其 VRAM 需求約為 14–16GB(4-bit)至 56GB(BF16)。原型開發可用免費方案,正式部署則可選雲端 GPU 或託管推理服務。
手億科技創辦人兼 CEO 許展瑋從清洗冷氣的熟練操作中,看到機械人學習真實操作經驗的需要,並將手部數據採集作為切入點。手億科技以輕量化腕帶、多種傳感器和算法記錄自然操作,目標是把手部位置誤差控制在毫米級。公司定位為具身智能領域的數據與模型基礎設施公司,並推進數據處理、評估及場景應用。
豆包公關負責人劉星10月28日表示,橫店與字節合作將15萬名羣眾演員的肖像和聲音提供給字節大模型的傳言嚴重失實。橫店影視AI服務平台項目旨在建設公共數碼基礎設施,將影視基地實景等資產整理成高質素數據集,以協助劇組選景、籌備和拍攝,並降低中小型影視企業使用AI的門檻。火山引擎是技術支持方,數據資產歸橫店或授權方所有;涉及任何人的肖像和聲音均須取得本人授權,項目數據不會用於訓練字節大模型。
豆包公關負責人劉星表示,關於橫店與字節合作將15萬名羣演的肖像和聲音餵給字節大模型的傳言嚴重失實。橫店影視 AI 服務平台項目計劃將影視基地實景等資產建成高質量數據集,供劇組選景、籌備和拍攝使用,並降低中小型影視企業使用 AI 的門檻。項目數據資產歸橫店或授權方所有,涉及個人肖像和聲音的使用須取得本人授權,項目數據不會用於訓練字節大模型。
豆包公關負責人劉星表示,橫店與字節合作將 15 萬名羣眾演員的肖像和聲音提供給大模型的傳言嚴重失實,項目數據不會用於訓練字節大模型。橫店影視 AI 服務平台旨在把影視基地實景等資產建成高質素數據集,協助劇組選景、籌備和拍攝,並降低中小型影視企業使用 AI 的門檻。項目數據資產歸橫店或授權方所有,涉及任何人的肖像或聲音使用均須取得本人授權。
作者在 RTX 5070 Ti 16 GB 顯示卡上測試 LoRA 微調,發現指定設定下 7B 是可在實體顯存內運行的上限;14B 雖未報錯,卻已溢出至系統記憶體。
宇樹上市後,部分投資機構重新審視人形機械人估值,甚至停止將具身智能項目提交投委會,或基本暫停實際投資決策。文章指出,機械人訂單和演示尚未充分轉化為可持續商業化;宇樹2025年前9個月人形機械人收入中,73.6%來自科研教育,IDC數據顯示2025年人形機械人出貨中,78.4%用於商演、科研及數據採集。
一項以小型網絡進行的 Permuted MNIST 實驗發現,連續微調令 Task A 準確率下跌 12.3 個百分點,未達預先設定的 20 點嚴重遺忘門檻。EWC 恢復了 98.0% 的準確率損失,使 Task A 準確率回升至 97.63%;Task B 準確率則比未受保護的情況低 0.41 個百分點。
RynnWorld-Latent 使用以 3D 為基礎的潛在動作作為共享條件介面,學習跨具身影片世界模型,並支援多種影片來源的聯合預訓練及合成數據生成。模型以 23 個數據集、約 553.5M 幀進行預訓練。合成中期訓練提升 LIBERO 和 LIBERO-Plus 的策略成功率;兩種數據生成途徑在受評估設定下,均較僅使用真實示範訓練提升真實世界策略成功率。
文章主張,企業選擇阿拉伯語大語言模型,應以自建資料集的評測結果及實測 token 成本為準,而非排行榜排名。文中列出 Falcon-H1-Arabic、ALLaM、Fanar 2、Jais 2 及 frontier API 作比較對象,並建議以 200 至 500 條企業自有資料建立評測集。
清華大學翟季冬教授團隊的八卦爐 2 論文獲 SC26 錄用,提出按實時顯存壓力調整激活保存、重計算與卸載的 MoE 訓練方案。
MLE-World 提出一種學習式世界模型,讓 AI 研究智能體無須實際執行程式即可預測機器學習實驗結果。它由 Qwen3.5-4B 微調而成,根據程式碼和數據描述預測程式的終端輸出;在 17 項 MLE-bench Lite 任務的留出程式中,與真實終端輸出的吻合率為 77.9%,而規模大得多的提示模型為 41.1%。
ThinkWorld提出一種視覺-語言-動作(VLA)學習框架,以世界動力學為動作推理奠基,並透過世界想像的強化學習提升機械人泛化能力。框架以動態鏈(CoD)表示動作,利用未標註人類影片中的狀態轉移提供監督;模擬及真實機械人實驗顯示,該方法能促進人類經驗向機械人遷移,並泛化至未見任務和環境。
Timestral 推出一系列用於機率預測的時間序列基礎模型,包含 5M、28M、123M 和 209M 參數四款模型。該系列在 GIFT-Eval、TIME 和 fev-bench 創下 SOTA,Timestral-209M 和 Timestral-123M 在每項指標均排名前兩位。四款模型的權重已在 Hugging Face 開放,推理程式碼則可在 GitHub 取得。
ModelCompare測試14款主流AI模型,發現41個答案中有35個都認為,人類將歸屬感置於真理之上。研究亦測試6款AI圖像模型,其中10幅畫作以相近笑點描繪人類沉迷手機、消費主義及破壞地球。研究認為,模型訓練資料高度重疊,令它們吸收相似的世界觀。
LLM 以 token 而非字母處理文字,因此可能數錯「strawberry」中的 R。文章以 Byte-Pair Encoding(BPE)解釋 token 的形成,並指出分詞方式也會影響拼寫任務、不同語言的 token 用量,以及 API 費用和上下文限制。文末提供 BiteLrn 的互動 Tokenization lab,可輸入文字查看分詞並逐步操作 BPE 合併。
百奧幾何(BioGeometry)宣佈完成A+輪融資,A輪系列融資總額超過1億美元,本輪由國壽資本領投。資金將用於持續迭代分子水平的 GeoFlow 與細胞水平的 GeoCell、擴建高通量自動化實驗室,以及推進自研藥物管線商業化。
文章建議,模型及訓練狀態可放入單張 GPU 時使用 DDP,否則使用 FSDP,並透過 torchrun 為每張 GPU 啟動一個程序。混合精度 Adam 完整訓練每個參數約需 16 bytes,未計激活值;8B 模型以 8 張 GPU 完全分片時,每張 GPU 約需 16 GB。
Exowatt 使用 SageMaker Tuning 建立兩款專用 AI 模型,AWS 稱其準確度勝過前沿模型,成本最多低 49x。AWS 表示,無伺服器模型自訂流程讓 Exowatt 無須預留專用調校基礎設施,並可建立適用於邊緣及雲端部署的可重複流程。AWS 另指出,若評測缺乏可靠的 ground-truth 測試,團隊可能高估大型通用模型。
Sharpness-Aware Minimization(SAM)透過最小化參數鄰域內的最壞情況損失,偏向平坦極小值,以提升模型對擾動的穩定性。每次更新需要計算兩次梯度,單步成本約為標準訓練的兩倍;實際上,SAM 可能以較少步數達到指定測試準確率,或在相同 epoch 數下取得較佳準確率。平坦程度並非泛化能力的完整理論,SAM 更適合視為一種訓練偏向。
作者分享一個用於衞星異常應對的私隱保護主動學習原型,在即時政策限制下篩選可供操作員標註的查詢。原型以 policy_mask 排除禁止查詢的樣本,並以 DP-SGD 保護遙測資料。由於連續遙測樣本高度相關,作者改為按 session 分組並在 session 層級裁剪梯度。
智合標準中心組織編制《人工智能 高質量語料庫建設運營與應用指南》團體標準,邀請各行業數據資源持有及開發服務企業、語料庫建設運營企業、人工智能與數據應用企業,以及相關專業機構和專家參與起草。標準涵蓋建設規劃、資源整合、加工治理、持續運營、複用應用及價值轉化,為語料庫建設、運營和應用提供全流程指引。
英偉達於當地 10 月 21 日在 GTC 柏林大會升級 Isaac 開放機器人開發平台,並與思靈機器人推出 Agile ONE SN 人形機器人硬件參考平台。
Stellantis 選用 Amperity,整合旗下品牌及不同接觸點的客戶資料,為個人化互動提供更一致的基礎。概念驗證期間,平台在數分鐘內載入數百萬筆紀錄,並在不足三日內建立統一的 Customer 360。這些是公告所述的評估結果,並不代表平台已正式投入生產。
音樂版權公司 Reservoir Media Management 於 10 月 21 日分別起訴 Suno 和 Anthropic,指兩家公司未經授權使用歌曲及歌詞訓練 AI 系統,合共索償 $338 million。
兩項後續審計發現,OpenBookQA 的答案長度與選項位置捷徑都不能泛化至其他基準。選最長選項在 OpenBookQA 得分 43%,高於 25% 基準;不讀題而固定選 A,得分則為 27.6%。MMLU 的位置偏差朝向最後一項,固定選最後一項得分 26.7%,顯示捷徑須逐個基準檢驗。
Nodus 博客指出,模型缺乏領域知識或詞彙時應採用持續預訓練;若模型已理解材料,只是任務回應方式不合要求,則應微調。文章建議,只有在模型持續誤解領域術語、原始文本達數億個 token 且知識穩定時,才考慮持續預訓練;否則可先用數千個標註例子微調。
神經網絡在模組化加法任務中,可能先迅速記住訓練資料,經歷長時間測試表現停滯後,才突然學會泛化。權重衰減會推動模型由高權重範數的記憶解,轉向較精簡的規則解;其強度及其他超參數會影響這個轉變所需時間。
QueleaGuard 為解決空間聚集且分佈不均的生態數據所造成的驗證問題,改用僅以出現點進行 k-means 聚類,再把背景點分配至最近的中心點,建立五個空間折。266 條記錄各分配一次,每折均包含出現點和背景點,並將持續出現的海岸站點 62 條記錄保留在同一折。折數不均,且其中一折只有 14 條記錄,作者指出這可能令該折的評分指標較不穩定。
論文提出 Lean 證明系統 EasyProver 及驗證任務生成流程 Aegis,擴展定理證明在真實程式碼驗證中的應用。EasyProver 搭配無需額外訓練的現成前沿模型,解出 669/672 道 PutnamBench 題目、全部 6 項 IMO 2026 形式化題目、597/600 項 NTP4VC 驗證條件及全部 189 項 VERINA 任務。
Soft-MTP 透過 straight-through KL 梯度恢復技巧,移除多 Token 預測(MTP)訓練中的噪聲梯度殘差,只反向傳播 KL 自蒸餾訊號。
IntReal 提出面向真實世界多模態交錯生成的數據集與評測框架,用於診斷統一多模態模型的能力並改善生成效果。框架包括涵蓋四大類別的 IntReal-100K,以及按七個維度評估模型的 IntReal Evaluation Suite;評測與人類判斷的一致準確率為 83.3%。實驗顯示,使用 IntReal-100K 訓練可改善交錯生成,單模態生成訓練亦可帶來效益。
A-RSI 按學習訊號下降情況刷新訓練任務,提升零數據多模態遞迴自我改進的基準表現,無需外部標籤。在主要的 11 項基準測試中,使用 800 個新任務後,平均表現由 57.77 升至 61.05。新任務由模型撰寫的程式生成多模態問題,並產生可獨立核驗的答案。
Teacher-Evolution Self-Distillation(TESD)透過獎勵引導的教師最佳化及自適應降低不可靠樣本的權重,提升策略內自蒸餾的自我教學可靠性。方法讓自我教師生成 rollout,並根據任務正確性及上下文獨立性取得環境回饋。多個數據集及模型規模的實驗顯示,TESD 持續勝過具代表性的 token 級及序列級方法。
研究團隊開發的 Pinal 可根據自然語言提示設計蛋白質,Hugging Face 等合作方推出的 Carbon X 則可處理 DNA 與英文,並在兩者之間轉換。
Google Research 提出 sleep framework,讓 LLM 交替進行主動互動與離線記憶整合,把短期上下文知識寫入長期參數以持續學習。該方法在 BABILong 長上下文測試中近乎完美地擴展至 10M tokens,並在未見語言的多階段持續翻譯評估中維持近乎零性能下降。
聯邦法官裁定 Anthropic 曾非法取得逾 10 名斯坦福教授的著作訓練 Claude,並不得盜版書籍建立永久中央藏書庫;法官同時認為,合法購書用於大語言模型訓練屬合理使用。
推薦理由:裁決將盜版建庫與合法購書訓練分開處理,作者退出集體和解並另行索賠,呈現 AI 訓練版權爭議中的法律界線與補償分歧。
NVIDIA 與 Oracle 宣佈計劃把 OCI Superclusters 的 NVIDIA Vera Rubin NVL72 系統擴至多吉瓦規模;NVIDIA Vera Rubin NVL72 和 NVIDIA Vera CPUs 已在 OCI 正式提供。
Exowatt 以 Amazon SageMaker AI serverless model customization 微調 Qwen3-1.7B 和 Qwen3-14B,應用於端側告警分流和雲端能源市場分析,兩者在各自測試中均勝過前沿模型。