跳到正文
10月19日週一
  1. 第一財經42

    20分鐘搞定一週工作量,AI重構科技服務降本路徑|上海科技服務業調研

    海智智造以AI和平台數據處理非標製造訂單,將100張圖紙從逐張審核到形成有效報價的時間,從約一週縮短至約20分鐘。平台以300個以上字段標籤描述工廠產能,並結合設備、精度、材料、成本及歷史圖紙等數據。格物智研則將科學模型與自動化實驗結合,探索按實際使用量收費及分階段驗證技術路線。

  2. elsewhere:文章70

    elsewhere 調查田柯宇事件 01:梳理攻擊指控與各方説法

    elsewhere 發布田柯宇事件調查系列首篇,按時間線梳理2024年至今的攻擊事件,對照田柯宇、字節及相關團隊對攻擊方式、動機與影響的不同説法。文章引用訪談和公開資料,介紹 GitHub03 對多種攻擊代碼及其效果的指控,並指出 debug 期間的聊天記錄和攻擊日誌等材料尚未取得。2026年6月5日,法院一審判田柯宇賠償字節50萬元、駁回其他訴請,字節其後上訴。

  3. DEV Community51

    生成式 AI 與 LLM 面試題:30 題附示範答案

    Haseeb Sagheer整理了 30 道生成式 AI 與 LLM 面試題,並為每題提供可按個人項目調整的簡短示範答案。題目涵蓋 Transformer、預訓練與微調、提示詞及推理設定,以及正式環境中的安全、成本和評估。文中建議以實際項目例子説明答案,並建議尚未有 GenAI 項目的人製作 RAG 應用,練習嵌入向量、向量搜尋、提示詞及幻覺控制等概念。

  4. DEV Community34

    RetentionAI:以 TabPFN 預測訂閲流失風險並推薦挽留行動

    RetentionAI 是一款採用 TabPFN 的開源訂閲流失預測工具,可識別高風險帳戶、計算面臨風險的每月經常性收入(MRR),並推薦挽留行動。工具支援自訂 CSV 數據集,並設有互動式 What-If ROI Simulator,預測挽留活動的回報。示範模式內置 200 筆合成客戶記錄及預設 25 個帳戶的評估羣組,完整程式碼支援 Render 雲端部署。

  5. DEV Community42

    SpoilageShield: tomorrow's bake sheet, without guessing tomorrow's sales

    SpoilageShield 為獨立麵包店規劃翌日烘焙數量,按銷售歷史、產品成本、天氣及活動假設預測需求,並輸出可匯出的烘焙清單。最終 29 個合成測試日中,隨機森林的 MAE 為 6.11,較平日基準低 24.8%;隨機森林規劃方案的剩餘數量較模擬固定排程少 53.3%。核心規劃可在本機 CPU 執行,毋須 API key 或 GPU;成效尚未經實際客戶試點驗證。

  6. DEV Community31

    高效深度學習的 5 篇關鍵論文分析

    五篇高效深度學習論文指出,提升 AI 能力不只靠擴大模型,也可透過架構設計提高效率。ViT-Huge 在 ImageNet 達 88.5% top-1 準確率,訓練計算量比同類 CNN 少 4×,但需要 300 million 張圖片才有良好表現。Swin 以移位窗口注意力將計算複雜度由平方複雜度轉為線性複雜度。

  7. DoNews44

    HUMXN 實驗室付費採集技工作業數據,訓練 AI 機械人

    HUMXN 實驗室於2026年10月啟動項目,採集技工在真實作業中的動作與決策數據,訓練具身 AI 機械人。項目在明尼阿波利斯、芝加哥和邁阿密進行,房主可免費獲得管道、電工等居家服務,條件是容許佩戴可穿戴設備的技工錄製作業全程。技工報酬不變,付費授權模式保障數據來源合法及貢獻者收益。

  8. IT之家56

    HUMXN 計劃以免費居家服務換取 AI 機械人訓練影片

    HUMXN 計劃與住戶合作,資助多類居家服務,換取在住宅內錄製技師工作過程的影片,作為 AI 機械人訓練數據。服務包括水喉、電工、空調、風喉清潔及地毯清潔;住戶須容許佩戴穿戴式採集設備的人員入屋錄影,服務人員照常獲得報酬。項目首批在明尼阿波利斯、芝加哥和邁阿密推行,以收集不同氣候、住宅、設備及故障情況下的作業數據。

  9. DEV Community32

    LatePay:預測哪些發票可能逾期未付

    LatePay 以開源 TabPFN v2 預測發票逾付款條款超過 30 天才付款的風險,並按風險級別提供跟進建議。系統以 4,000 張模擬發票建立數據集,推理時採用分層抽取的 1,000 張發票作上下文,亦支援批量評分 CSV。推理在本機 CPU 執行,無需 API key 或專有模型;示範頁的預測均預先計算並標示為模擬,工具聲明結果並非財務建議或信用評分。

  10. DEV Community32

    Architectural Deep-Dive: Language Models Learn to Improve Language Models

    LM2LM 以研究世界模型(RWM)和雙迴路驗證,為透過強化學習優化模型、提示詞或神經網絡架構的智能體提供執行結果錨定的回饋機制。凍結的 LLM 根據上下文中的實驗紀錄預測提案收益,並定期以硬件執行結果更新紀錄,校正預測偏差。此方法以代理預測篩走底部 90% 的候選項,只對排名靠前的提案進行實際驗證,以減少計算開支。

  11. HuggingFace Daily Papers(社區熱門論文)45

    SWIFT:透過目標外推實現自我引導的弱至強擴散模型

    SWIFT 提出一種自我引導訓練方法,利用凍結的弱去噪器外推回歸目標,改善較強擴散模型的訓練,並降低誤差和訓練成本,無須增加推理開銷。在 ImageNet-256 的一種設定中,SWIFT 以約一半總訓練計算量超越基線最佳 FID;在 RAEv2 上,無推理時引導的 FID 為 1.15,有引導時為 0.99。

  12. HuggingFace Daily Papers(社區熱門論文)46

    HarnessRL:以即時訓練框架與策略共同演化,應用於開放式強化學習

    HarnessRL 透過自適應任務抽樣、rollout 引導和評分準則更新,讓訓練框架與策略共同演化,以應對開放式強化學習中的獎勵失效。研究團隊亦整理了涵蓋五個領域的 Rubric-Mix-10k 訓練及評測套件。在 4B 和 9B 模型規模下,HarnessRL 較最強基線高 2.8 至 3.1 分,並幾乎將達到最佳檢查點所需的訓練步數減半。

  13. HuggingFace Daily Papers(社區熱門論文)39

    Predictive Closure:JEPA 特徵選擇的集合層面刻畫

    研究提出 predictive closure,指出 JEPA 保留哪些特徵取決於特徵集合之間的預測關係,而非個別特徵是否容易預測。受控實驗顯示,難以預測但有助預測其他特徵的特徵,可以得到更好的表徵;改變一項特徵的預測關係,也會影響其他特徵的表徵。透過輔助目標或向 predictor 提供側資訊,亦可間接引導特徵選擇。

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

    TEAL:數據湖分析編碼智能體的無監督工具演化

    TEAL 透過數據探索與軌跡批判,在沒有標籤的情況下為編碼智能體演化可重用的數據分析工具。步數預算為 10 或 15 時,TEAL 在 KramaBench 和 LakeQA 上均提升所有 Worker 的表現;Sonnet-5 在 15 步時分別提升 9.3 和 21.7 分。以合成問題演化的工具庫,表現與以真實問題演化的工具庫相若。

  15. HuggingFace Daily Papers(社區熱門論文)48

    WildAWM:合成電腦使用智能體環境與任務

    WildAWM 透過合成可控的電腦使用環境與任務,訓練通用智能體,並提升其在分佈外基準上的表現。該流程支援 GUI、MCP 服務及 CLI,合成了 341 組長期環境與任務配對;部分任務需要超過 100 個智能體步驟,GPT-6-Astra 僅能完成其中 60%。研究團隊只用合成環境訓練兩個不同規模的 Qwen 模型,並在涵蓋網頁、CLI 及電腦使用智能體的 8 個分佈外基準上取得顯著提升。

  16. DEV Community40

    Restock-Predictor:以 TabPFN 預測 Etsy、Shopify 獨立賣家的庫存

    Restock-Predictor 是為 Etsy、Shopify 獨立賣家打造的 AI 庫存預測工具,採用開放權重模型 TabPFN 進行零樣本上下文表格回歸。用戶上載歷史銷售 CSV 後,系統可在兩秒內估算未來 30 天需求及第 90 百分位安全庫存,並生成可匯出 CSV 的優先採購訂單。項目以 MIT 授權開源,並使用 MongoDB Atlas 記錄批次。

  17. DEV Community52

    SmolVLA 野餐機械人微調後,未見指令措辭成功率達 78%

    作者以每件物品 1 個示範微調 SmolVLA,讓野餐機械人對已教及未見指令措辭的成功率分別達 80% 和 78%。在同一組 420 個測試回合中,原始模型相應成功率為 31% 和 29%;微調後,6 件未訓練物品的成功率由 87% 降至 60–72%。每次微調使用共享 GPU 約 48 分鐘、成本約 $1.50;實驗僅在模擬環境進行,每種示範數量只執行一次。

10月18日週日
  1. Hacker News 熱門(buzzing.cc 中文翻譯)72

    法律專家警告 Meta 新條款仍授予廣泛網站抓取權限

    Meta 修訂即將生效的商業帳戶條款,刪去「train」並將使用範圍限於廣告及商業產品,但法律專家仍認為網站抓取授權廣泛。他們指出,「develop」商業產品的措辭可能涵蓋訓練,而修訂條款沒有明文承諾遵守 robots.txt;Meta 則表示網站仍可透過 robots.txt 停用爬蟲。新條款預定於10月30日生效,商業帳戶在此之前不能選擇退出。

  2. Business Insider Tech45

    AI 公司抓取網絡內容後,轉向收集人類工作方式的資料

    AI 公司在抓取大量網絡內容後,正轉向收集呈現人類實際工作方式的資料,作為下一代 AI 智能體的訓練素材。AI 公司向企業開出六位數甚至七位數金額,換取匿名化 Slack 訊息、電郵、簡報及內部文件。律師事務所用數十年法律知識建立 AI 系統,另有公司付費讓人記錄煮食、倉庫包裝等工作,以教導機械人如何執行日常體力任務。

  3. DEV Community60

    AI 公司如何取得訓練數據?六種渠道及市場轉變

    AI 公司從六個渠道取得訓練數據,包括爬取公開網頁、授權內容、委託專家製作數據、購買企業紀錄、建立模擬環境與合成數據,以及使用自家用戶資料。每月一份 Common Crawl archive 收錄 2.17 billion 個網頁,公開網頁仍是最大來源;文章指出,市場支出正轉向其他渠道,並比較各渠道的價格和法律風險。

  4. DEV Community52

    重現研究顯示,預防模型崩潰所需的新數據率是恢復所需的 13.4–27.6 倍

    作者重現《Prevention Is Not Cure》研究後發現,在該研究設定下,預防訓練循環崩潰所需的新數據率是崩潰後恢復所需的 13.4–27.6 倍。當其他設定固定時,單改變訓練池中的歷史窗口 w,穩定邊界在四組配置中下降兩至三個數量級。研究使用 K = 8 個符號的多項重採樣循環,並非神經網絡;作者指出可遷移的是結構,而非具體數值。

  5. MarkTechPost69

    NVIDIA Structured Data Models 如何在無需訓練下進行表格預測

    教程實作 NVIDIA 的 Structured Data Models,展示如何以標註資料作上下文,無需訓練便用預訓練表格模型輸出分類與回歸預測。在乳癌分類案例中,TabICLv2 和 KumoTabular 使用 300 筆標註資料,準確率均為 0.970;KumoRelational 在三表客戶活動任務中的 AUC 為 0.823,接近手工特徵方案的 0.828。

  6. DEV Community59

    從零開始建立微型因果 Transformer

    作者提供一個以 PyTorch 和 Python 標準庫實作的微型因果 Transformer,將文本按字符編碼,以隨機抽取的上下文窗口訓練,並逐字符生成文本。示例模型設為 4 層、4 個 attention heads,訓練 2000 步;因果遮罩令每個位置只讀取當前及之前的位置。作者指出,這個實驗展示的是架構而非具競爭力的語言模型,並建議配合驗證損失和生成樣本檢查模型是否只記住訓練語料。

  7. DEV Community51

    合成數據與虛構數據有何分別?何時應使用?

    文章區分虛構數據與合成數據:前者可以簡單至只滿足輸入要求,後者則模仿真實數據的結構、分佈或關聯,而不複製實際記錄。作者建議按測試需要選擇數據,簡單測試可用固定測試資料,重視真實組合、變化或大量記錄時則可用合成數據。使用 seed 可重現相同數據;複製生產數據則可能帶來私隱及安全風險。

  8. IT之家55

    Meta 刪除商業服務條款中引發「用於訓練 AI」爭議的表述

    Meta 已刪除商業服務條款中引發「用於訓練 AI」爭議的相關表述。法律專家曾指出,原條文可能賦予 Meta 抓取企業帳戶相關網站內容並用於訓練 AI 的權限;Meta 則表示,更新沒有擴大爬蟲行為。Meta 稱更新只是整合既有廣告條款,修改後條款把爬蟲及數據收集用途限定於「廣告和商業產品」,並重申網站管理者可透過 robots.txt 控制爬蟲權限。

  9. HuggingFace Daily Papers(社區熱門論文)62

    政策不等於能力:部分安全基準衡量模型受訓時採用的「不安全」定義

    這項研究發現,護欄基準分數主要反映訓練標籤所採用的政策定義,而非單純反映模型的偵測能力。研究以同一批約 53k 個提示詞按兩種操作定義標註,訓練十種護欄模型配置;架構和最佳化器系列相同時,僅 0.03% 的參數變動便可令 HarmBench -copyright 分數跨越 0-100,OR-Bench -hard 過度拒絕率則介乎 3.4-56.4%。

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

    Deep Fusion Memory:面向大語言模型的區塊級參數化記憶

    Deep Fusion Memory(DFM)是一種區塊級參數化記憶架構,透過閘控交叉注意力將預測的記憶融入中間隱藏狀態,推理時無需明確檢索。與現有參數化記憶方法相比,DFM 建構訓練資料所需的檢索查詢減少 32 倍、檢索項目減少 2048 倍。在六項問答任務中,DFM 相較最強基線,在 Mistral-7B-v0.3 和 Qwen3-8B-Base 上分別提升 12.71% 和 11.19%。