跳到正文
11月9日週一
  1. 阿里雲開發者社區 AI33

    如何選擇政務公示、地方媒體與地圖數據作為本地信源

    本地信源採集應按各類來源能證明的內容選源:政務公示證明登記、許可與處罰,地方媒體證明近期活動與公開報道,地圖數據證明座標、地址與營業狀態,三者不能互相替代。文中示例設定政務、媒體、地圖 TTL 分別為 30 天、7 天和 90 天,並按主體標識、內容及發布時間判定同源、合併記錄。信源與 TTL 均為假設值,實際採用時須按地區重新設定。

  2. DEV Community15

    從血液檢查到蛋白質結合口袋:我的資料流程與 UCL 研究

    作者建立個人資料流程,把全血細胞計數(CBC)數據轉化為蛋白質建議,再輸入生成式設計流程製作結合口袋圖案。流程以 pandas 清理數據,參照 UCL 研究的百分位區間標示偏差,並使用本機 Stable Diffusion XL Base 生成圖案。最終成果是提供圖像和 CBC 指標儀錶板的 Flask 應用程式。

  3. 阿里雲開發者社區 AI29

    2026 年數據資產與數據交易如何分步實施?

    企業或機構可按四步推進數據資產化與交易:數據盤點及合規治理、確權登記與入表、產品化設計及打造高質量數據集,以及合規流通交易。文章指出,大模型帶動行業高質量數據集需求,將業務數據加工為 AI 訓練集是文中提出的變現路徑;安全合規是數據交易的前提。

  4. DEV Community32

    元學習與少樣本適應——第 02 章:MAML 與基於最佳化的元學習 [KR]

    MAML 是基於最佳化的元學習核心方法,透過內循環按任務適應、外循環更新共享初始化,目標是在少量樣本下快速適應新任務。FOMAML 忽略二階項以減低計算負擔,Reptile 則按任務適應後的參數差異更新初始化;Meta-SGD、LEO 和 Implicit MAML 進一步探索不同的適應與計算方式。

  5. DEV Community27

    元學習與少樣本適應——第 04 章:快速適應 [KR]

    快速適應讓模型只需少量新觀測、更新或互動,便能應對新任務與環境,減少重新訓練所需的資料和計算。章節涵蓋微調、參數共享、MAML、潛在空間適應及線上適應等方法,並討論過度擬合、災難性遺忘與不確定性管理。評估除預測準確度外,也需考慮所需樣本數、適應延遲、計算成本、記憶體消耗和效能穩定性。

  6. DEV Community30

    元學習與少樣本適應——第 08 章:工程與部署 [KR]

    《元學習與少樣本適應》第 08 章探討工程與部署,説明元學習數據管道如何將原始觀測值整理為學習回合,支援跨任務訓練與評估。管道涵蓋數據收集、預處理、任務與回合構建、支持集和查詢集劃分、避免數據洩漏及高效數據載入,並提及以 PyTorch 的數據集、數據載入器和自訂採樣器實作。

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

    ProTEUS:透過閉環蛋白質演化的突變解析世界模型

    ProTEUS 結合序列、演化與結構表示、快速全原子預測及閉環實驗回饋,引導蛋白質演化並提升突變體活性。其全原子預測器速度比 AlphaFold3 快逾 10 倍,並在零樣本及監督式微調突變預測任務中超越既有模型。兩項針對醛脱氫酶和左聚糖蔗糖酶的閉環工程實驗,均獲得活性高於野生型逾 10 倍的變體。

  8. HuggingFace Daily Papers(社區熱門論文)44

    PhysOPSD:以程式碼作為特權資訊,提升影片生成的物理合理性

    PhysOPSD 以可執行程式碼作為特權物理上下文,透過在策略自蒸餾提升影片生成模型的物理合理性。PhysOPSD-Engine 將真實物理情境轉換為可驗證的模擬程式,並結合雙層物理特權與受控變化。實驗顯示,使用 3K 樣本,PhysOPSD 在多種模型骨幹上勝過 SFT 和 RL 基線,同時保留一般影片生成品質。

11月8日週日
  1. DEV Community39

    為何過度潔淨的數據集會令生產環境中的視覺模型失效

    過度清理訓練數據集會剔除真實環境中的結構化噪聲,令視覺模型在眩光、毛毛雨或相機震動等情況下表現下降。文章建議保留具物理成因的變化,並制定數據保留清單,例如至少 20% 樣本包含低光或眩光,保留遮擋最多 60% 的物件。若模型在輕微真實噪聲下的表現下降超過 15%,訓練數據分佈可能清理過度。

  2. DEV Community64

    可重現的 LLM 評估:記錄每次執行,而不只是分數

    Obligra Verify 團隊提出 LLM 評估的記錄方法,把每次執行視為一次建置,記錄輸入並保存原始輸出,以追溯分數的來源。執行清單可記錄數據集雜湊、提示詞版本、固定模型 ID、參數及評分器版本;相同輸出和評分器版本應能得出相同分數。生成則可能有波動,作者建議同一設定重跑三或五次,並報告分數的離散程度。

  3. DEV Community54

    每日按揭利率匯入可能把歷史觀測洩漏至評估

    作者以按揭利率歷史資料示範如何按觀測身份識別重複項、保留數值修訂,並避免相同觀測跨越訓練與測試分區。流程按系列、月份及 512 個 token 的預算建立檢索文件,並以 2026-10-01 為界,將較早觀測分入 train,其餘分入 test。文章指出,觀測日期切分無法還原來源何時發布修訂值,因此不能單獨確保前瞻性評估。

  4. DEV Community45

    理解本地 AI(2):模型與權重

    本地 AI 模型可在手提電腦離線運行,裝置取得的是訓練完成後的權重,而非訓練過程本身。量化可減少權重佔用空間:20 billion 個權重以 16 bits、8 bits 和 4 bits 儲存,分別約佔 40 GB、20 GB 和 10 GB。蒸餾可由大型模型協助訓練較小模型,但要在裝置上實用,仍須兼顧記憶體、速度、軟件支援和回答質素。

  5. 第一財經38

    走出外包式合作,AI開始融入創新藥企研發核心

    創新藥企正由項目制外包合作轉向系統性佈局 AI 研發基礎設施,將模型、數據與核心技術整合至統一研發體系。MegaStream由項目制合作升級為合資公司,統籌模型開發、數據使用、實驗驗證與候選藥物推進。這類佈局旨在打通計算模擬與自動化實驗驗證,將 AI 的價值延伸至 PCC 至 IND 階段。

  6. IT之家55

    特斯拉更新 AI 加速器路線圖:SI6 算力達 HW4 的 80 倍,Dojo D3 將面向太空部署

    特斯拉更新 AI 加速器路線圖,SI6 預計算力達 HW4 的 80 倍,Dojo D3 則採多芯粒架構及堆疊式 HBM,並針對太空部署、訓練與擴展能力優化。SI6 算力估算為 17.28~46.08 POPS,記憶體容量預計為 144GB,推出時間預計為 2029 至 2030 年。D3 的具體算力、記憶體容量、製程工藝及研發時間表尚未公佈。

  7. DEV Community59

    VIDRAFT 公開發佈 Darwin-180B-RSI-R3 權重

    VIDRAFT 公開發佈 Darwin-180B-RSI-R3 的權重;這款 180B 參數 MoE 模型經三輪遞歸自我改進,主打數學與科學推理。據 VIDRAFT 公開模型卡,其在 SuperCLUE 2026 年 11 月評測得分 73.68,排名開放權重模型第一、總排名第二;基礎模型得分為 57.89。其五領域綜合指數為 43.08、總排名第九,材料指出長上下文處理和指令遵循是相對弱項。

  8. 阿里雲開發者社區 AI56

    大模型 Scaling Laws:如何按算力預算配置模型參數與訓練數據?

    這篇大模型課程第 7 課講解如何按算力預算配置模型參數與訓練數據,並以 C≈6ND 推導 Chinchilla 的 20:1 token/參數比例。文章指出,模型過訓練可用較小參數量降低長期推理成本,但會增加數據需求;MoE 減少每 token 激活參數,不能消除按總參數量計算的數據需求。

  9. DEV Community49

    投資預測性維護前,先檢查機器數據管道是否故障

    中小型製造商投資預測性維護前,應先確認設備數據管道已接通,並具備連續訊號及準確的故障記錄。美國能源部指,與預防性維護相比,預測性維護可節省 8% 至 12% 的總擁有成本;若比較對象是故障後才維修,則可節省 30% 至 40%。McKinsey 研究指出,10% 的誤報率可完全抵銷預期經濟收益。

  10. DEV Community40

    行星地質勘測任務的元學習最佳化持續適應:面向低功耗自主部署

    文章探討如何以元學習最佳化持續適應,讓行星地質勘測智能體在低功耗自主部署時按新地形快速調整模型。作者以 FOMAML 作為基線,將適應預算設為每個 sol 5 次梯度步、2W,並指出火星往返訊號延遲為 4 至 24 分鐘。文章亦探討以 EWC 減少模型適應新地形時遺忘舊知識的風險。

  11. DEV Community28

    建立可即時偵測抑鬱症的 AI 聊天機械人:實作指南

    這份實作指南説明如何建立可即時偵測抑鬱症風險的 AI 聊天機械人,並整合 GPT-4.5、分類器及穿戴式裝置數據。示例分類器的準確率約為 0.87,抑鬱症召回率約為 0.84;風險偏高時,聊天機械人可建議用戶尋求心理專業人士協助。指南亦列出明確同意、加密及日誌匿名化等私隱措施,並指出聊天機械人不能取代心理學家。

  12. 虎嗅68

    馬斯克超30億元政治豪賭失算,商業價值暴跌

    馬斯克在美國中期選舉週期公開捐款約4.74億美元,民主黨勝選後其政治影響力受挫。其中約2.16億美元流向他創辦的「美國政治行動委員會」,約1.68億美元捐予支持共和黨參議員候選人的「參議院領導基金」。選後當地時間11月5日,特斯拉股價下跌逾11%;文章認為,政府合約、數據中心擴建及許可等政策風險或會牽動其多項業務。

  13. DEV Community42

    蒸餾位元組編碼器實際讀取的八個概率

    研究追蹤神經位元組預測器進入算術編碼器後的實際數據路徑,指出編碼器對每個目標位元組只讀取八個條件概率,並據此建立最多九組的觀測證明。3,934 個目標的測試中,路徑組 KL 為 0.402047 nats,完整 KL 為 0.580288 nats,其中 30.716% 來自未訪問的兄弟節點。文章區分用於衡量觀測差異的組別 KL,與按實際位元訪問計算的學習目標 U。

  14. HuggingFace Daily Papers(社區熱門論文)50

    On-Policy Distillation 可容忍多少訓練與推理不匹配?

    On-policy distillation(OPD)可容忍量化推理及非同步 rollout 帶來的大幅訓練與推理不匹配,但耐受程度因模型和層而異,失配過高則會降低訓練品質。研究提出輕量級准入檢查,並提供特定模型的 FP8 配方;與同步 BF16 訓練相比,結合非同步 rollout 的 FP8 訓練可快 1.62 倍達到相同品質。