AI 設計的抗體結合 EGFR:它會否在錯誤的 pH 下結合?
評估 AI 設計的抗體是否符合 EGFR 的設計目標,須比較它在 pH 6.5 與 7.4 的結合情況,而非只確認它能否結合。研究中的 G532 在兩種 pH 下的解離常數分別為 294 nM 和 3,900 nM,顯示它在 pH 7.4 的結合弱約 13 倍,但仍有結合。
評估 AI 設計的抗體是否符合 EGFR 的設計目標,須比較它在 pH 6.5 與 7.4 的結合情況,而非只確認它能否結合。研究中的 G532 在兩種 pH 下的解離常數分別為 294 nM 和 3,900 nM,顯示它在 pH 7.4 的結合弱約 13 倍,但仍有結合。
Zhao 等人在結直腸癌 I 期相關隊列研究中發現,遷移學習可提升小樣本生存模型表現,樣本量低至 n=50 時仍觀察到改善。完整目標隊列中,RSF/TSF 的 Ctd 由 0.7940 升至 0.8297,是文中最高值。研究以 TSF 遷移樹結構,並以預訓練和微調處理 DeepSurv、Cox-CC 及 DeepHit;結果限於相關來源隊列。
AI 與機器學習的侷限可分為數據、工程、信任、人類監管及前沿失誤五類,推測性邊界則另行標示。Amazon 2015 年履歷篩選器因「women’s」一詞懲罰女性,COMPAS 對黑人被告錯判高風險的比例是白人的兩倍;SageMaker Clarify 可在訓練前於原始數據計算偏見指標。歐盟《人工智能法案》要求高風險用途接受人類監督,罰款可達 EUR 35 million 或營業額的 7%。
低精度神經網絡訓練中,最接近值捨入會把小於半個量化步長的更新捨為零,令微小梯度難以累積;隨機捨入則按數值與相鄰可表示值的距離決定捨入機率,讓期望值保持準確。儲存訓練完成的模型適合使用最接近值捨入;累積低精度下的小幅更新則適合使用隨機捨入。
Etsy 表示將修訂新服務條款,該條款允許 Etsy 及合作夥伴使用賣家內容開發、訓練、測試及改進人工智能和機器學習技術,原定於 12 月 16 日生效。長期賣家因內容可能用於 AI 訓練且無法退出而開始關店。Etsy 副總裁表示,不會使用賣家內容訓練旨在複製原創作品或取代創意的 AI 模型,並稱第三方可因詐騙偵測和廣告等用途取得賣家內容。
Koray Yalçın介紹一套面向土耳其語客戶訊息的情緒分析流程,涵蓋標籤架構、雙人標註的金標集、個人資料遮蔽、經驗證的 LLM 結構化輸出,以及按版本重複測試。
Etsy表示不會把賣家內容用於訓練旨在仿製原創作品或取代創意的 AI 模型;賣家因新版使用條款引發的疑慮而離開平台。新版條款允許 Etsy 及第三方合作夥伴和供應商使用賣家內容開發、訓練、測試及改進 AI 和機器學習技術,並定於 12 月 16 日生效。Etsy稱現有用途包括自動翻譯商品描述、在營銷活動中展示商品,以及訓練店舖表現工具的模型,並禁止 AI 爬蟲抓取商品列表訓練模型。
中國科學技術大學先進技術研究院科研團隊研製植物工廠系統,按不同植物定製「光配方」,以調節光強、光譜和光週期。團隊以多通道光量子傳感器測量各波段光子數,並將數據回傳控制系統閉環調光;作物生長數據亦用於訓練植物生長大模型、迭代配方。植物工廠與光電子農業技術已走出實驗室,產品銷往馬來西亞、新加坡等國家和地區。
作者向來自 30 間公司的 65 個 AI 提問 127,918 次,發現不同用戶經常收到相同建議。書籍推薦中,73% 的回答是《Man's Search for Meaning》,而 90% 的求學建議指向電腦科學;在一個可逐階段測量的開放模型中,常見答案於監督式微調階段出現。測試亦顯示,提供個人細節可把常見預設答案比例由 53% 降至 11%,要求列出 10 個選項後自行挑選則降至 17%。
預印本《Beyond Retargeting》提出一種人形機械人控制策略,將原始人體動作直接映射為機械人關節指令,省去即時動作重定向。該策略在 Unitree G1 模擬環境及硬件上測試,作者報告其延遲和穩健性均優於比較基線。省下的即時轉換工作轉移至訓練階段,控制效果取決於動作數據對不同體型、速度及感測條件的涵蓋。
Harness-S 在 AppWorld、SWE-Gym 和 DBBench 上利用專門化執行框架訓練共享策略,並在原始執行系統 H0 下評估時,表現顯著優於只訓練策略的方法。Qwen3.5-4B 和 Qwen3.5-9B 兩種規模的策略均有提升;在執行器 rollout 次數相同的情況下,Rank-1 推理路由亦帶來增益。原文未提供主要結果表的數值。
NVIDIA 發佈 Nemotron-Labs-Sigma 開放權重連續擴散語言模型系列,涵蓋 3B 和 8B 兩種尺寸,共 14 個檢查點。模型在學習所得的 16 維嵌入空間逐塊去噪,每塊經多輪去噪後輸出 64 tokens,再處理下一塊。
這項綜述梳理 LLM 文本私隱與匿名化方法的演進,指出研究已由靜態移除個人可識別資訊(PII),轉向兼顧語義效用、任務需求與合規性的動態決策。文中整理語義重寫、局部差分私隱、基準評估及代理私隱對齊等路線,並比較各自在表示質素、適應效率與計算成本上的取捨。
機械人訓練數據低質的成因包括觀測未涵蓋動作決策依據、EGO 數據重複或與需求不匹配,以及仿真對流體和柔性體的精度不足。文中引用的積木拾取對照顯示,以操作員與機械人同視角觀察的數據訓練模型,手臂操作準確率由約 50% 提高至 100%。姚卯青表示,市場上有企業購入 100 萬小時數據後,最終只有 10% 至 20% 可用。
Bytedance 與多所美國大學的研究團隊旨在證明,AI 模型訓練只需三個階段,並以具競爭力的開源模型支持這一論點。研究指出,訓練流程層層疊加,令各階段的實際作用難以判斷,重現研究的成本亦愈來愈高。
姚順雨與混元團隊在 Reddit 舉行了持續 120 分鐘的 AMA,回答全球開發者近 100 個關於混元模型、架構、安全及開源的問題。這是混元團隊首次在開發者社區公開問答;團隊表示下一代 Hy 模型將擴大規模,並持續投入大規模強化學習。
MiniMind 展示如何從零開始,在 2 小時內訓練可運作的 64M 大語言模型;文章並整理 4 項 2026 年仍可使用、毋須信用卡的開發資源。Kaggle GPU 提供每週 30 小時 Dual-T4;Groq 和 Cerebras 提供 300+ tok/s 推理,SiliconFlow 提供 14M–20M starter tokens。
線性回歸透過學習輸入特徵與輸出的關係,預測連續數值,是監督式機器學習算法。文章以房屋面積和價格的數據集示範如何用 Python 和 Scikit-learn 訓練及評估模型,並説明 MSE 如何衡量預測誤差;數據集為學習用途而人工建立,並非真實房價數據集。
阿里巴巴預計 2027 及 2028 年是中國算力最緊缺的兩年,阿里雲 2027 年後以平頭哥國產晶片為主,旗艦晶片優先用於訓練,推理則會盡量採購不同晶片。阿里已在平頭哥晶片上訓練下一代千問(Qwen)模型,下一代平頭哥晶片預計於 2027 年第 1 季全面支援超大規模模型訓練。公司尚未交代外部雲端客戶的晶片配額或價格安排,並初步評估 2032 年全球數據中心規模超過 20GW 的目標可能下調。
AI 助手能快速生成機器學習程式碼,但學習機器學習仍有必要,因為判斷模型是否適用、資料有否偏差及結果是否可靠,不能只看程式能否執行。文章以資料洩漏、預測與因果推論的區別,以及偏差與變異的取捨,説明人工判斷仍然重要。作者建議先界定問題,再用 AI 起草程式,檢查假設、設定簡單基準,並以符合實際情境的資料測試。
作者以生產環境的 ai_predictions 資料表示範結構漂移審計:48,737 行資料中有 44 欄在首筆資料後才出現,另有 11 欄停止寫入。該表共 130 欄,其中 8 欄從未有值;NULL 可能代表欄位尚未存在、不適用,或本應寫入但未寫入,不能直接視為同一種情況。
騰訊混元團隊表示,Hy4仍有很大改進空間,正投入大量精力進行大規模強化學習,並計劃訓練更大規模的模型。團隊稱,Hy3和Hy4表明,做得紮實的小模型也能超過更大的模型,而且成本更低。
中國牽頭制定的腦機接口參考架構國際標準(ISO/IEC 27572:2026)已由 ISO/IEC 正式發布,另有多項國內標準及審評文件相繼推出。由同濟醫院牽頭的全國首個腦機接口高質量數據集項目亦已啟動,涵蓋10類疾病方向及6種數據模態,擬於2027年建成投用。現有標準和審評文件仍主要聚焦腦電及植入式電極,未能全面覆蓋超聲腦機接口需求;受訪者亦提出數據互認和支付是產業化挑戰。
文章建議 Node.js SaaS 將頭像和模型訓練產物設為私有物件,並在應用程式完成租戶授權後才簽發短效預簽署 GET URL。物件鍵應包含租戶及不可變識別碼,資料庫保存穩定物件鍵;小型頭像採普通 PUT,替換時另寫新物件並更新資料庫指標。
姚順雨與混元團隊在 Reddit 舉行 120 分鐘 AMA,回答全球開發者有關混元模型、訓練、架構、安全及開源部署等問題。團隊表示,下一代 Hy 模型規模將大幅擴大,並持續投入大規模強化學習;Hy4-mini 已列入路線圖,Hy4 的 token 效率問題亦在優化。團隊亦談到 MoE 稀疏度、數據品質須以實驗檢驗、創意寫作與可讀性改進,以及繼續開源和推進 llama.cpp 適配。
多家全球製藥巨頭表示,AI 已加快藥物早期研發,將新分子研發並推進至臨牀試驗所需時間最多縮短一半。諾和諾德稱,AI 將新分子設計、生產和測試的迭代次數由約八輪減至三輪,每輪時間由八週縮至四週;諾華稱,確定候選藥物的平均時間已由三年縮短至約18個月至兩年。
班加羅爾的 Humyn Labs 宣佈完成 $47 million A 輪融資,資金將用於擴展覆蓋 20 多個國家的數據採集網絡。本輪由 Accel 領投,包含 $26 million 股權融資及 $21 million 風險債務,巴西、印度和南韓是主要據點。
MIT研究人員提出一種為混沌系統機器學習模型加入物理約束的方法,確保模型預測長期維持有界,避免產生不可能的結果。方法讓模型學習類似能量的函數,並加入投影層,以能量耗散作為硬約束;團隊在多種物理系統測試,結果較傳統方法更貼近實際。
不少長期在 Etsy 經營的賣家表示,平台更新條款,允許 Etsy 及其第三方合作夥伴使用賣家內容訓練 AI;他們因此稱將離開 Etsy。
Anil Prasad 整理了以 Databricks Unity Catalog 保護 AI 治理指標所用 golden data 的方法,涵蓋權限、讀取追蹤、版本凍結和欄位遮罩。文中提供可調整的 SQL,並提醒 lineage 只會在可從事件推斷時記錄;Delta 預設保留 30 天表格歷史和 7 天已刪除資料檔,較舊版本可能無法查詢。
AdamW 將權重衰減直接作用於權重,而非把 L2 項加入梯度後經 Adam 的自適應步長縮放,讓每個權重按相同比例收縮,不受各自梯度歷史影響。文章提供 PyTorch 設定示例,指出 AdamW 常見衰減值為 0.01 至 0.1,從 Adam 切換時不應沿用舊值。標準設定下,權重衰減會隨學習率排程變化,使用 cosine decay 時訓練末段的衰減效果會減弱。
作者打造兩階段生成引擎,以 Class-Conditional Gaussian Copulas 和 Decision Trees 生成合成醫療紀錄,在標準 CPU 上約 6.9 秒生成 1,000,000 份。測試顯示臨牀規則符合率為 100.0%,與真實數據集沒有重複紀錄;以合成數據訓練的分類器在真實測試數據上的 Δ ROC-AUC ≤ 0.0013。
多向量搜尋索引為文件中的每個 token 儲存一個向量;合併相似向量可令索引縮小約四倍,但會輕微降低搜尋品質。若在嵌入模型的訓練損失中納入合併操作,大部分剩餘的品質損失便可消除。
Mohit Verma 開源 MLBox,這是一個涵蓋 LLM tokenizer、訓練直覺和 API 定價的瀏覽器工作台,集合四項工具於一個靜態頁面,沒有依賴項。
Hugging Face 發佈供 Qwen3.8-27B 編碼智能體使用的 LoRA 適配器,分別在 pi、Hermes Agent 和 OpenCode 的 harness 內經強化學習訓練。
一名開發者為斯里蘭卡科倫坡證券交易所建立機器學習研究及訊號平台,收集逾 15 年、700 多種證券的價格資料,並以 60 個樣本外區塊進行步進式測試。平台會計入交易成本、每週重訓模型並設有更新門檻,但不會自動交易;所有買賣仍由人手決定。
研究提出 self-rewriting,讓 27B 語言模型以自身推理改寫權重,無需梯度或訓練。模型在未見問題上的準確率提高 6.6 個百分點,並在連續八次測試修改中保持提升。研究亦報告,模型可修復受損副本,使其在未見圖像任務上的準確率恢復至原模型的 80% 以上。
清華大學、北京大學研究團隊發現,注意力匯聚會令少數 Token 集中承接反向訓練信號,形成「梯度匯聚」,而巨大激活可經 RMSNorm 衰減局部梯度。在 0.3B 模型中,採用 V-scale 後梯度匯聚比值中位數由約 40.3 降至 5.6,注意力匯聚仍然明顯;研究成果獲 NeurIPS 2026 接收。
文章逐步講解如何在系統設計面試中設計搜尋排序系統,核心是先把數百萬項目低成本召回至數百個候選,再交由昂貴模型排序。架構分為離線建構嵌入向量、ANN 索引、模型和特徵庫,以及線上召回、排序和可選重排;召回結合詞彙匹配與語義搜尋。排序模型從點擊、觀看等隱式訊號學習,需處理位置偏差及訓練與服務特徵不一致;文章亦提供 60 分鐘面試拆解框架和評估方法。
Peter Stieglmayr分享以情境對話測試 AI 助理處理金錢議題的方法,重點是區分已知與假設、守住角色界線,並避免作出超出資訊支持的承諾。免費預覽集有九則簡短預覽(各來自九個資料卷)和四個完整情境;作者指出它不是基準測試,測試表現不能代表模型安全、合規或已可投入生產。