Dify 更新資料集功能,新增 Dataset API 操作及引用來源導覽
Dify 更新資料集管理功能,加入引用文件來源導覽及 Dataset API,並擴展文件管理操作。手動啟用「Citations and Attributions」後,輸出會顯示引用文件名稱,並可直接前往相應資料集文件編輯頁;API 涵蓋建立及查詢資料集、以文字或檔案新增文件、查看索引狀態、刪除文件和管理分段。
Dify 更新資料集管理功能,加入引用文件來源導覽及 Dataset API,並擴展文件管理操作。手動啟用「Citations and Attributions」後,輸出會顯示引用文件名稱,並可直接前往相應資料集文件編輯頁;API 涵蓋建立及查詢資料集、以文字或檔案新增文件、查看索引狀態、刪除文件和管理分段。
Dify.AI 的 Annotation Reply 功能可讓團隊編輯歷史對話或匯入問答資料,並優先以標註回覆處理相似問題。系統透過獨立的 RAG 機制匹配問題,命中後直接返回標註回覆,不必調用 LLM 或知識庫 RAG,可減少 token 消耗及延遲。累積的問答對亦可按需匯出,用於模型微調。
Chroma 訓練並公開 Context-1,一個以超過 8,000 項合成任務訓練的 20B 參數搜尋智能體,模型權重採 Apache 2.0 授權。Context-1 會把高層問題拆成子查詢並多輪搜尋,按相關性修剪檢索內容;研究稱其檢索表現可與前沿模型相比,推理速度最高可達 10x,成本較低。Chroma 亦公開合成任務生成流程的完整程式碼,以支援重現和後續研究。
元示科技連續完成近億元人民幣天使輪及天使+輪融資,資金將用於模型研發、數據與實驗平台建設,以及藥物研發應用驗證。公司正以模型分析、實驗驗證及結果回饋構建虛擬細胞自我進化系統,旨在提升通用細胞模型跨環境零樣本泛化預測能力。
Flapping Airplanes於2026年10月22日宣佈完成10億美元A輪融資,由Lux Capital與Index Ventures聯合領投,英偉達、紅杉資本、GV等十多家機構跟投。該公司聚焦數據高效AI,致力於模仿生物學習機制,探索低數據依賴、高認知效率的AGI路徑。公司目前尚無商用產品,全部資源投入長線基礎研究;本輪融資將用於擴大全球科研團隊及算力基礎設施建設。
KMDS 系列文章概述構建智能方案所涉及的概念,從 AI 與數據科學的視角切入。內容依次涵蓋把商業應用場景轉化為數據科學任務、將任務視角轉化為可供建模和特徵工程的數據集,以及特徵工程與建模。
DONIC 利用多樣化的人類動作數據訓練通用雙手追蹤器,無需微調即可在未見物件上進行靈巧操作。研究亦提出 BiHOI 多視角數據集,涵蓋 1,575 段序列及 229 件物件。單一檢查點在訓練物件的未見軌跡上成功率為 86.79%,在保留物件上為 57.32%,較現有基準分別高出 77.36 及 45.73 個百分點。
TraceForge提出兩階段監督式與對抗式方法,根據上下文及教師模型答案合成符合學生模型風格的推理痕跡,無需依賴隱藏輸出。在使用相同5,000條問題及教師答案的編碼測試中,最終檢查點的 HumanEval+ 提升3.7分,MBPP+ 提升7.1分。研究在五個基準測試中評估此方法。
py-dataset-hub 處理不同類型的數據集,支援過濾及轉換成各種主要格式,旨在簡化數據集處理流程。它亦可用一行程式碼從 Hugging Face 或 Kaggle 匯入數據集;項目以開源方式發布,並歡迎貢獻。
作者梳理三篇2026年探討學生畢業預測的期刊研究,聚焦深度學習預測準時畢業及其與樹模型的比較。研究中,XGBoost在2.456名學生的數據上準確率為91.7%,高於Random Forest的89.2%;另一項研究的MLP結合學術及非學術特徵,準確率為0.8478。系統綜述指出,神經網絡和深度學習在相關研究中較少使用,模型可解釋性仍是弱點。
Harness Scaling 透過多種執行配置訓練智能體強化學習模型,提升模型對未見過 harness 的泛化能力。研究以因子化 harness 空間選取訓練子集,並安排跨 harness 訓練;在多個基準測試、模型規模和強化學習算法中,這種方法均改善了對未見白盒配置的泛化。以結構化白盒變化訓練的模型,也能有效遷移至未見的外部黑盒 harness。
VX-One 是一款用於邊界分流的多任務神經網絡,以 100K-10M 參數輸出經校準的類型化決策,CPU p50 延遲約 0.7-1.7 ms。測試顯示,它在 UNSW-NB15 及 CIC-IDS2017 時間漂移下的檢測表現較佳,但三個基準的多類別歸因均由 XGBoost 勝出。所有方法在時間漂移下的校準均明顯下降,ECE 由 0.04 升至 0.40。
16 歲的 Afonso Faro 分享他約一年來打造自有大語言模型 Ganymede 的經驗,並整理五項訓練心得。Ganymede 1.1 採用 MoE,總參數量為 780B、每個 token 約啟用 20B;模型以約 5T tokens 公開網頁文字和開源程式碼預訓練,並使用分佈於法國、葡萄牙和荷蘭數據中心的 450+ 張 H200 GPU 訓練。
AI 研究實驗室 Flapping Airplanes 宣佈完成 $1B 融資,Bloomberg 報道該輪交易估值為 $6B。這家成立約一年的公司尚未推出商業產品,目標是開發所需數據遠少於現有前沿系統的 AI 模型。公司稱其 megakernel framework 可在同一 GPU kernel 中執行完整訓練、推理及遊戲,並讓記憶體受限的推理與運算受限的訓練重疊進行。
CSV Rescue 是一款本地優先的開源應用程式,使用 AI 推薦 CSV 清理操作,由用戶審核後透過可預測的 Python 程式碼套用變更。示範中,它處理了 500 行資料,移除 25 行重複資料,完成 739 項儲存格變更,並標記 61 個問題供檢查。應用程式使用 Ollama 和 Qwen3:8b 在本機推理,不會覆寫原始檔案,也不會執行模型生成的任意 Python 程式碼。
Modal 推出 Modal Dojo,一個面向生產級 LLM 訓練的工具庫,提供建構組件、調校預設值及可觀測性。它基於 Miles 和 Slime 等開源框架,提供支援模型的自動優化訓練配方,並可查看 loss、reward、智能體軌跡、細粒度效能剖析及容器日誌。
AWS 示範在單一 trn2.48xlarge 上以 torchtitan 訓練 Qwen3,涵蓋 Transformers v5、原生 Qwen3 及 NKI MoE 三種配置。三種配置沿用相同的 torchrun 啟動模式和設定結構;文章亦示範透過 override registry 接入自訂 NKI 核心,並説明檢查訓練輸出與擴展並行的方法。
Fireworks AI 以歷史 Kalshi 市場資料對 Muse Glimmer 30B 進行 SFT 微調,在未見主題上的預測準確率達 58.3%,較 Jev 高 11.2 個百分點。
Meta 將今年資本開支預估上調至 1,350 億至 1,450 億美元,並把該區間低端上調 50 億美元。Meta 拒絕透露 2027 年的具體展望,但表示會繼續大舉投資,並稱現有算力足以讓公司在核心業務增長、新產品開發和基礎 AI 模型訓練之間保持靈活。Meta 預計,在新 AI 產品及 AI 對核心業務的影響帶動下,2027 年全年整體收入將強勁增長。
Nestor 在 attention 中引入巢狀稀疏性,在計算量和稀疏度相同的情況下,語言模型預訓練表現優於傳統 MoE Transformer。Nestor 更有效適應較長上下文,也能更有效率地適應新領域,同時減少對舊領域的遺忘;程式碼和檢查點已在 GitHub 提供。
研究提出 FLORA,一套面向機械人基礎模型的開源工業級數據引擎,提供帶時間戳的字幕生成、結果與過程獎勵標註,以及預訓練資料整理。FLORA 在 WGO-Bench、RoboReward 和 Robometer 上取得 SOTA 成績,內部基準測試表現可與 GPT-6 Astra 相比,成本比 GPT-6 Astra 低約 125 倍。
MMVistaReason 提出開放數據後訓練方案,結合難度感知蒸餾、強化學習及多教師訓練,以提升多模態推理能力。在 15 項基準測試中,MVR-4B 平均得分為 72.8,使用的樣本比 MMFineReason 少約 70%,並勝過 Qwen3.5-9B (Instruct) 和 MMFineReason-8B。
DISC 是一種可學習的聚合框架,透過校準遷移觀測,選擇、加權及整合不同相似度指標,以預測時間序列數據集之間的下游預測遷移表現。研究顯示,DISC 在所報告的數據切分上,比單一指標更能對齊下游表現;數據集相似度的作用會因下游任務而異。
PyTorch 團隊更新 TorchTitan,加入多款模型的原生訓練支援、TitanRL 強化學習功能,並改進大規模訓練效能。新支援包括 Muse Spark Open、Muse Glimmer、Qwen3-VL、Qwen3.5、Kimi K2.7、Kimi K3 和 DeepSeek-V4,整合涵蓋 TorchTitan 的 5D parallelism stack。
NVIDIA 推出預訓練關聯數據基礎模型 Kumo Relational,可直接在企業數據庫上預測,並以最多 10,000 個歷史樣本作上下文,無需任務專屬訓練。
推薦理由:文章比較 Kumo Relational 與監督式模型及 AutoGluon,並交代評測範圍和樣本限制,呈現其在關聯數據預測中的適用邊界。
AI 研究新創 Flapping Airplanes 融資 $1B,估值達 $6B,較 1 月增至四倍。融資由 Index Ventures 和 Lux Capital 領投,Sequoia Capital、Alphabet’s GV 及 Kleiner Perkins 亦有參與。公司尚無在售產品,正研究以較少數據和算力訓練 AI,並為 Nvidia 圖形晶片編寫自有運行軟件,以提升晶片效能。
FootballAnt 構建 AI 足球預測及賽事分析平台,整合不同賽事的賽程、賽果和聯賽榜,為每場比賽提供預測及其依據。平台以勝率等概率呈現預測,並附上近況、對賽紀錄、排名和關鍵數據;另提供即時比分及賽果,並推出 iOS 和 Android 免費應用程式。
Flapping Airplanes 融資 $1B,估值為 $6B。公司正研究以較少數據和計算資源訓練 AI 模型,以及提升晶片效率的方法。
Baseten Base Labs 發佈 9B 的 elephant-1 和 27B 的 mammoth-1 決策模型,並公開權重:https://huggingface.co/baselabs/mammoth-1、https://huggingface.co/baselabs/elephant-1。
Amazon SageMaker AI 適合沿用既有 AWS 工作流程;Nodus 適合自行執行訓練程式,並使用預付額度與單次支出上限。作者表示其團隊開發 Nodus;比較根據公開文件,並非同條件效能基準測試。文章建議固定模型版本、數據集和訓練設定,比較完整費用與耗時、計入遷移工時,並測試檢查點能否恢復。
購買 AI 工具前,企業應先指定物料主檔負責人,確保有人審批新增貨品編碼並修正錯誤資料。文章建議匯出貨品清單,檢查描述相近的重複項目及計量單位,並記下由誰跟進。印度一間食品服務分銷商採用 Microsoft Dynamics NAV,改善數據可靠性後,易腐貨品浪費減少 18%,訂單填充率達 96%,增加 Rs 1.2 crore 利潤。
Self-Credit 提出一種端到端智能體強化學習方法,透過組內重新縮放,從稀疏結果獎勵生成密集監督訊號,以改善長時程任務的信用分配。
NVIDIA 在 GTC Berlin 宣佈,多家歐洲車廠及出行服務商正以 Hyperion 展示自動駕駛應用,涵蓋 L3、L4 車輛及未來 Robotaxi 車隊。
NVIDIA 宣佈擴展 Isaac 開放機械人平台,加入 Agile ONE SN 參考人形機械人、新數據集及執行時,並更新學習框架。Agile ONE SN 預計於 2027 年初推出;Isaac Lab 3.0 已正式開放使用,Isaac OS 是連接 AI、感測器、控制系統及機械人硬件的開源執行時框架。
分散式 AI 訓練會在多個加速器之間協調數據、參數、激活值、梯度及優化器狀態,讓模型或批次規模超越單一裝置的訓練能力。訓練流程可分為五項操作:劃分工作、執行本地前向與反向計算、傳送所需張量、同步或以流水線方式更新,以及建立檢查點並復原。
Databricks 宣佈 AI Runtime(AIR)正式開放使用,這個內置於 Databricks Lakehouse 的全託管無伺服器 GPU 平台,可用企業數據訓練及微調深度學習模型。
Porsche、Volkswagen Group 品牌及 CARIAD 宣佈共同建設自動駕駛共享數據循環,由 Porsche 負責初期實施及生態系統整合。Volkswagen Group 正開發連接車隊數據與模擬、訓練和評估的 physical AI 技術堆疊;Voxel51 提供數據層,NVIDIA 提供相關技術,Microsoft Azure 提供雲端及運算資源。
NVIDIA Kumo Forecast 是一款多變量時間序列預測模型,結合預訓練 Transformer 主幹、領域感知表徵與檢索(DARR)歷史模式檢索,以及結果可解釋性。
Databricks 宣佈 AI Runtime(AIR)正式全面推出,將受管 GPU 基建整合至 Databricks,讓客戶可在企業數據所在環境訓練模型。AIR 提供隨選 GPU、多節點訓練、秒級啟動及內置除錯,並在 Databricks 和 Unity Catalog 的治理範圍內運作。
Databricks AI Runtime(AIR)現已正式開放,開發者可在無伺服器 NVIDIA GPU 上使用 NVIDIA NeMo、NGC containers 和 Nemotron cookbooks 訓練及微調開源模型。