跳到正文
10月22日週四
  1. Dify Blog50

    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。

  2. Chroma Research61

    Chroma Context-1:訓練具上下文自我修剪能力的 20B 參數搜尋智能體

    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。

  3. elsewhere:文章42

    元示科技連續完成近億元兩輪融資,道彤投資佈局 AI 通用細胞模型,加速虛擬細胞技術落地

    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。

  4. DoNews70

    Flapping Airplanes 完成 10 億美元 A 輪融資

    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。

  5. HuggingFace Daily Papers(社區熱門論文)47

    DONIC:基於人類示範的通用靈巧雙手追蹤控制

    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。

  6. HuggingFace Daily Papers(社區熱門論文)42

    TraceForge:以自身推理風格進行蒸餾

    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。

  7. DEV Community41

    為何大學生延遲畢業?閲讀以深度學習預測準時畢業的研究

    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。

  8. HuggingFace Daily Papers(社區熱門論文)41

    Harness Scaling 如何提升具泛化能力的智能體強化學習

    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。

  9. HuggingFace Daily Papers(社區熱門論文)36

    VX-One:用於即時邊界分流的類型化校準決策頭——未知攻擊識別、級聯灰色地帶與漂移下校準的實證研究

    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。

  10. DEV Community60

    16 歲作者花約一年打造 780B 參數的 Ganymede,分享訓練心得

    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。

  11. SiliconANGLE67

    Flapping Airplanes 融資 $1B,據報估值 $6B

    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。

  12. DEV Community47

    CSV Rescue:讓本地 AI 處理繁瑣的 CSV 清理,不交出資料控制權

    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。

  13. 第一財經64

    Meta 將資本開支預期上調 50 億美元

    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。

  14. HuggingFace Daily Papers(社區熱門論文)59

    FLORA 提出用於擴展機械人數據引擎的開源模型套件

    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。

  15. HuggingFace Daily Papers(社區熱門論文)31

    DISC:面向時間序列數據集的領域整合相似度成本

    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。

  16. Hugging Face Blog71

    NVIDIA 推出 Kumo Relational,無需任務專屬訓練即可預測關聯數據

    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。

10月21日週三
  1. DEV Community50

    Nodus 與 AWS SageMaker:訓練模型應如何選擇?

    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。

  2. DEV Community45

    購買 AI 工具前,先指定物料主檔負責人

    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。