中國科學技術大學團隊開源 RNA 基礎模型 structRFM,研究登上《自然》
中國科學技術大學團隊推出開源 RNA 序列基礎模型 structRFM,相關研究成果登上《自然》。團隊開放完整配對數據、模型權重和源代碼,全球科研人員均可使用。模型以約2100萬條序列與二級結構配對數據進行預訓練,可支援多種結構及功能推斷任務。
中國科學技術大學團隊推出開源 RNA 序列基礎模型 structRFM,相關研究成果登上《自然》。團隊開放完整配對數據、模型權重和源代碼,全球科研人員均可使用。模型以約2100萬條序列與二級結構配對數據進行預訓練,可支援多種結構及功能推斷任務。
中國科學技術大學團隊發佈開源 RNA 序列基礎模型 structRFM,相關研究於 11 月 5 日凌晨發表於 Nature。團隊以約 2100 萬條經計算註釋的序列—二級結構配對數據進行預訓練,令模型同時學習序列上下文與結構依賴。測試顯示,structRFM 提升二級結構預測表現,並支援剪接位點預測、內部核糖體進入位點識別等功能推斷;研究團隊已開放配對數據、模型權重及源代碼。
在 AWS Spot 上訓練並保留進度,須把檢查點寫入可在中斷後保留的儲存空間,並在重啟後載入;SageMaker managed spot 會處理重啟及 S3 同步,原生 EC2 Spot 則需自行實作。
一項 CNN 訓練測試顯示,學習率預熱對已調校至 1e-3 的 Adam 幾乎沒有影響,卻能挽回過高的 3e-3 設定造成的準確率損失。五組配對種子中,3e-3 加入一個 epoch 的預熱後,準確率由 86.78 升至 89.64,接近 1e-3 基準的 89.71。測試範圍為一個 CNN、一個數據集及 10 個 epoch。
作者在一組 CNN 實驗中發現,梯度裁剪會縮小 loss 梯度,卻不會同步縮小 Adam 的耦合式 weight decay,因而提高正則化相對力度並拉低準確率。
webAI 發佈 TwIL-8B,這款從 IBM Granite 4.2 8B 後訓練而來的 8.79B 參數密集型推理模型,面向數學、編碼及指令遵循。webAI 自報其在 MATH-500 得分 98.2、LiveCodeBench 得分 81.6†;GPQA Diamond 得分 70.2,低於 Qwen3.5-9B 的 81.7。
作者用 30 組英語與烏爾都語同義句比較三種 tokenizer,測得烏爾都語的 token 數比英語高 2.72–5.39 倍。在 128,000-token context 下,GPT-2 約可容納 113,000 個英文詞,烏爾都語則約 21,000 個詞。作者提醒,測試僅有 30 組正式語域句子,5.39× 應視為約五倍,而非精確倍率。
文章為 B.Tech CSE 學生提供專攻 AI Security 的實用路線圖,聚焦紅隊測試及 ML 基礎設施防護,避免流於表面的通用學習。內容拆解對抗攻擊、資料投毒、ML 流程資料外洩、聯邦學習推理攻擊及供應鏈攻擊的機制,並指出所需的工程技能。
LLM 智能體的 RL 訓練需要 GPU 生成動作及更新權重,並為每個同時執行的 episode 配置隔離 CPU sandbox 執行工具操作;GPU 等待工具調用是主要成本來源。
Agent-R^2提出真實來源數據合成框架,從10k個網絡語料候選項提煉4k個任務實例,訓練Agent-R^2-4B處理實際生產力工作。在GDPval和OfficeQA上,Agent-R^2-4B分別取得51.0%和14.8%,超越Qwen3-235B-A22B-Thinking-2507的48.0%和13.8%。
GraphMuon 將 Muon 的矩陣更新適配至圖傳播表示的協方差結構,以減輕圖引致的更新放大。在三個大型 OGB 基準上,GraphMuon 相比 AdamW 將驗證損失達標時間加快 1.32 倍至 2.42 倍。涵蓋 15 組數據集與架構配置的測試中,GraphMuon 在 13 組達到較短的達標時間,同時維持具競爭力或更佳的預測表現。
Dharma-AI 發佈 2-billion-parameter Field Extractor,可從文件影像抽取欄位並輸出結構化 JSON。模型支援開放式抽取,以及按指定 schema 輸出欄位、類型和鍵名;文件中缺少的欄位會返回 null。
朱蘭、陳蓉團隊聯合武漢華大生命科學研究院,揭示治療前腸道及陰道菌羣分型與絕經激素治療應答相關。研究團隊基於14個中心356名女性的隊列,建立機器學習模型,可高精度預測治療4周後能否快速緩解,效果優於傳統臨牀特徵模型。
研究人員提出「Weight-Space Programming」,讓 GPT-6 Astra 直接分析和修改其他 AI 模型的權重,毋須按常規流程重新訓練。在 Qwen3.5-0.8B 上,Astra 只改動 0.016% 權重,MATH-500 準確率由 7.9% 升至 48.1%,指令遵循能力由 21% 升至 62%。不過,仍有三分之一回應達到文字長度上限,低於修改前的 93%。
目前沒有後訓練數據共享庫,因為強化學習消耗的是任務,而預訓練消耗的是文件。SWE-bench 從 12 個 Python 儲存庫逾 90,000 個 PR 中,最終整理出 2,294 項原始任務;SWE-bench Verified 抽查的 1,699 項任務中,逾三分之二被標記移除。作者主張,後訓練共享庫需要有系統地記錄並轉化人類工作流程,否則建構相關能力的資源可能集中於少數公司。
機器學習中的資料洩漏會令模型評分過度樂觀,並削弱模型對未見數據的泛化能力。文章以垃圾郵件分類為例,説明訓練、驗證或測試數據混用,以及時間戳記、發件人 ID 等敏感資料造成的問題。移除敏感特徵、遮蔽資料及謹慎進行特徵工程,有助減低洩漏風險。
愛爾蘭 AI 研發項目 Oghma 在柏林舉行的 Stage Two 泛歐衍生企業競賽中進入決賽,獲得 €500,000 投資。Oghma 的 AI 平台將零散、非結構化數據整理成可用形式,支援科研與開發;平台在控制數據集上的準確率為 99.7pc,BASF 指其生產力提升 330 倍。
Google Cloud 宣佈 AlloyDB for PostgreSQL 預覽直接存取 Apache Iceberg 表,並宣佈 AlloyDB sync 和 Lakehouse federation 正式推出。
Navalny 團隊介紹如何建立阿列克謝·納瓦利內數碼檔案館,並於 2026 年 6 月 4 日上線,當時收錄逾 14,000 份材料。團隊以 Gemini Flash 初步標註主題、人物和地點,並用 GPT-5.4 翻譯,再由編輯核對和修正模型輸出。
上海現代服務業聯合會等8家機構聯合編製《2026 AI+高端製造產業應用圖譜》,並於10月31日全文發布,梳理上海 AI+製造產業鏈、落地優先級及發展建議。圖譜將智能質量檢測列為場景落地優先級首位,並指出工業智能體落地的核心壁壘在於工藝理解與高質量現場生產數據。
Oumi 擴展 Frontier AI Engineer,讓它可為客戶構建 AI 智能體,並重新訓練這些智能體所依賴的模型。團隊可用日常語言描述智能體目標;智能體在實際運作中遇到的問題會轉化為評估集和訓練數據。Oumi 新增直接偏好最佳化和羣組相對策略最佳化,後者現正以私人預覽形式推出。
評估大語言模型時,開發者應超越示範表現,按性能指標、具體用途及模型訓練細節檢視其能力。測試時可比較回答與標準答案,並在不同任務和數據集上評估;亦要考慮連貫性、流暢度、相關性、模型架構及超參數。
機器學習模型訓練常見問題包括資料集偏差、格式或資料類型不一致,以及離羣值,均可能影響模型表現。模型過於複雜會過度擬合,過於簡單則會欠擬合;交叉驗證、正則化及調整模型複雜度有助改善泛化能力。
StartLux、香港大學與南方科技大學的研究者提出 StartLux-Decision,提供單次預測版本 Instant 及按需推理版本 AutoThink,兩者透過統一的選項機率介面輸出決策結果。
MIT CSAIL 四人團隊展示 GPT-6 Astra 可無須梯度下降或重新訓練,直接修改神經網絡權重並改善 Qwen3.5-0.8B 的數學評分。
元臉FacesMarket完成千萬元級天使輪融資,投資方包括壹城聯合投資、擇因投資等相關產業投資方。融資資金將主要用於持續建設人臉人聲數據庫、核心技術及產品研發、市場拓展和團隊擴充。
祥峯投資管理合夥人夏志進指出,現時不少數據公司被動接單,由模型公司定義需求並推動數據採集。他期望數據公司建立獨特的高價值數據資產,探索數據自用及自主變現,掌握行業主動權。
Google Gemini 個人帳戶在 Keep Activity 開啟時,聊天記錄可用於改善 Google 服務,包括訓練生成式 AI 模型,付費訂閲亦不例外。
嚴駿馳團隊在 CNCC 2026 分享 JTok 與 xHC,探索如何在現有 Transformer 架構上擴展模型容量,並控制額外計算成本。JTok-M 在相同損失下所需訓練算力約為底座的 65%;xHC 相對標準 Transformer 節省約 33% 訓練算力,18B MoE 模型平均分由 44.8 升至 48.8。
MIT CSAIL 研究讓 GPT-6 Astra 直接編輯 Qwen3.5-0.8B 的局部權重,以減少重複推理並改善答案完成情況。在 50 次前向測試預算下,MATH-500 由 7.9% 升至 48.1%,觸及 Token 上限的回答比例由 93.0% 降至 33.1%;編輯涉及第 15、19 層共 131072 個參數。
京東披露,其具身智能數據採集已覆蓋 100 多個細分生產服務場景,累計採集超過 10 萬項真實作業任務。京東計劃兩年內累計採集超過 1000 萬小時高質素人類真實場景影片數據,以及超過 100 萬小時機械人本體運行數據。JoyAI-Sim 物理模擬引擎測試中,模擬評測與真實評測結果的一致性約為 90%,評測效率達真機評測的 3.2 倍。
瑞浦蘭鈞以逾700億項核心工藝控制數據訓練自研AI智能體「鈞寶」,將其應用於電芯全生命週期的質量管理。公司累計完成逾10萬項電池測試,總測試時長達5.5億小時,並結合數億電芯出貨及實際運行數據。鈞寶覆蓋研發設計、生產製造、檢測驗證及終端運維,提升缺陷識別、異常預警和質量追溯效率。
全文抽取的可用範圍改變,會令基於全文的情緒趨勢代表不同文章集合,因此圖表波動可能同時反映文章情緒與正文可用性的變化。教程示範按 fullTextStatus 分開統計抽取狀態,並把未納入評分的文章保留在涵蓋率分母中。作者亦建議比較不同時段的媒體來源權重,並把文本依據和抽取狀態與評分結果一併保存。
創業失利後,小武轉做 AI 數據交易,從海外網站爬取資料、串聯標註者,到撮合企業出售數據,作者藉其經歷呈現這門生意的多個環節。文章還寫到,部分中轉站轉售企業調用模型留下的軌跡數據,甚至以相關收入補貼 token;有大廠發現自己的使用軌跡被買賣後,這類生意開始降温。
具身智能機器人尚未大規模銷售,圍繞其訓練數據的採集、標註和訓練服務已開始形成市場,模式包括集中式訓練場、眾包採集及全鏈路服務。覓蜂科技的眾包業務截至10月已在北京、廣州、深圳、上海等40個城市落地,參與者每小時可獲10元至30元。不過,不同廠商的機器人構型、感測器、控制系統和模型架構各異,數據未必能跨企業直接使用,家庭場景採集亦涉及私隱安全。
LiberAI 發佈世界動作模型 Liber‑0,在 60 項真機零樣本任務中合計測試 600 次,整體成功率為 36.0%;GPT‑6 Astra 在相同任務的對照測試中成功率為 5%。
2026年前10個月,國內 AI4S 賽道融資超過80筆,已披露總額超200億元,資本關注點不只在金額,也在融資節奏及訂單落地。小飯桌盤點的50家公司中,11家於2026年成立並在同年獲投。文章指出,投資邏輯正由演算法敍事轉向場景敍事,訂單、乾濕閉環及高質量數據生產能力成為重要考量。
GigaSpeech 3 建立涵蓋阿爾及利亞、埃及、伊拉克、沙特及敍利亞阿拉伯語的弱標註語音語料庫,包含 39,000 小時及 10 million 段語音。
研究提出 PLatour,以直接透過強化學習訓練的輕量線性橋接器連接凍結模型,讓大型模型處理提示詞,再由小型模型獨立生成回應。使用 35B sender 時,PLatour 在共同數學及編碼基準上的結果超越 Mostik AI 公佈的 753B sender 結果,但訓練設定可能不同。
VidUEU-Agent 是一個數據整理框架,可從原始影片自動構建用於多模態理解、圖像編輯及統一理解與生成任務的指令數據。團隊以 8,268 段影片構建 VidUEU-100K,包含近 20,000 條密集中繼資料標註及 100,000 個指令樣本。框架透過四輪訓練及評測結果調整數據分佈,每輪以 30K 個樣本從同一初始檢查點微調 BAGEL,三個反饋基準的整體表現均有提升。