跳到正文
11月4日週三
11月3日週二
  1. Hacker News 熱門(buzzing.cc 中文翻譯)52

    大型語言模型讀寫神經網絡權重並非超人能力

    作者認為,GPT-6 Astra 直接讀取及修改神經網絡權重的表現雖然出色,但不代表它具備超越人類研究者的 AI 研究能力。Astra 能從小型網絡的權重辨認其訓練遊戲,並修改 0.8B Qwen 模型的權重,修正模型在生成超過 32k tokens 時陷入循環的問題,使其能處理需要超過 32k tokens 的數學題。

  2. IT之家59

    Meta 爬蟲為藝術家網站帶來逾 55 萬次訪問,主機持續不穩

    兒童繪本作家兼插畫師 Chelsea Paulus 的網站遭 Meta 爬蟲帶來逾 55 萬次訪問,主機資源被耗盡,至週一仍不穩定。Meta External Agent 和 Meta Web Indexer 先後出現;她修改 robots.txt、配置防火牆後仍未能即時阻止請求,並暫時移除 Instagram 個人頁面的網站連結,以免真人訪客令網站宕機。

  3. TNW71

    Nvidia要求雲端合作夥伴將中國業務上限設為49%,《金融時報》報道

    《金融時報》報道,Nvidia 要求數據中心合作夥伴至少 51% 的雲端服務售予非中國企業,規定只適用於新合約,既有協議不受影響。報道引述五名知情人士稱,Nvidia 透過銷售及區域團隊口頭傳達要求,未發出書面指示;Nvidia 未向 AFP 確認或否認。許多中國科技公司依賴中國境外雲端供應商提供算力訓練 AI 模型,這項限制為相關公司增添障礙。

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

    DRAP:面向 Physical AI 持續學習的動態風險自適應可塑性方法

    DRAP 提出一種免重播持續學習方法,按軌跡放大風險調節模型組件的可塑性,以提升 Physical AI 對舊有行為的保留能力,同時學習新任務。方法在固定的 OpenVLA 子網絡上評估,並於 LIBERO Spatial、Object 和 Goal 測試套件進行序列適應;相比標準 AdamW 微調和 EWC,DRAP 改善了舊行為保留,並維持新測試套件的學習能力。

  5. 阿里雲開發者社區 AI27

    企業數碼轉型如何選擇適合自身需求的數據治理方案?

    企業選擇數據治理方案,應按自身數據規模、AI 項目進度、合規要求及團隊配置,評估治理成果能否供 AI 使用、元數據和血緣能否隨數據加工同步生成,以及治理效率如何實現。數聚股份的數聚治理平台 DGP 涵蓋語義、元數據與血緣、AI 賦能治理,據披露可縮短 AI 建模前數據準備週期 65%,並減少約 68% 審計準備時間。

  6. HuggingFace Daily Papers(社區熱門論文)35

    FLAMIA:面向 Blackwell 的快速且因果安全訓練注意力

    FLAMIA 提出面向 Blackwell 的注意力核心,透過 MXFP8 及混合精度訓練路徑加速前向與反向計算,並防止因果資訊洩漏。涵蓋量化的 MXFP8 路徑,在 B200 的加速幅度為 1.10–1.40 倍,在 B300 為 1.06–1.42 倍。研究亦在 Llama 類預訓練模型上驗證訓練穩定性及品質維持。

  7. LG AI Research:官方研究博客43

    [ICML2026] 結構化數據基礎模型與時間序列深度學習的最新發展

    LG AI Research 在 ICML 2026 回顧結構化數據與時間序列深度學習研究,並介紹其為緩解 TabPFN 類別偏差而提出的 DistPFN。團隊分析 OpenML 的 253 個表格數據集,發現約 85% 存在類別不平衡;極端情況下,TabPFN 將 98.3% 的測試樣本預測為多數類別。DistPFN 在推理時調整預測機率,以減少訓練數據類別比例對預測的影響。

  8. 虎嗅69

    AI數據公司融資升温,成為大模型競爭的重要一環

    AI數據公司融資升温,正為大模型後訓練提供真實場景資料、操作環境及專家評分,成為模型廠商的重要供應方。文中引述業內人士稱,帶用戶行為軌跡的資料每條報價可達1000至3000元,包含完整操作過程的工作場景資料約1萬元。隨着供應擴張,模型廠商開始收緊採購、核算ROI並追溯交付質量,文中亦提及資料品質、私隱及外洩風險。

  9. Analytics India Magazine39

    Dispatch Network 獲 Antler India 領投 ₹5 Cr 種子前融資,打造 AI 配送網絡

    Pune 的 Dispatch Network 獲 Antler India 領投 ₹5 crore 種子前融資,將資金用於擴充 AI 團隊及開發大型物流時空模型 LLSTM,以改善配送訂單分配並減少騎手閒置時間。公司稱,其網絡騎手每月收入較業界平均高約 55%,空駛里程少三分之二。公司計劃於 November 擴展至 Mumbai。

  10. Latent Space60

    Weight-Space Programming 展示大語言模型可直接讀寫神經網絡權重,繞過遞歸自我改進(RSI)循環中的 Autoresearch

    Weight-Space Programming 研究展示,前沿大語言模型可按自然語言目標直接讀取及編輯神經網絡權重,而毋須梯度下降或訓練循環。研究報告稱,編輯 Qwen3.5-0.8B 僅 0.016% 的權重後,MATH-500 得分由 7.9% 升至 48.1%。文中指出,目前展示集中於簡單遊戲與強化學習策略;討論者亦質疑基線低分可能源於模型重複輸出,未必反映普遍數學能力提升。

  11. DEV Community57

    準確率達 95% 的研究分類器仍可能漏掉所有有用候選項

    文章以一組合成數據説明,研究分類器即使準確率達 95%,仍可能漏掉全部 5 個正例候選項。另一組預測的準確率為 93%,找出 5 個正例中的 4 個,召回率為 80%、精確率為 40%,同時有 6 個假陽性。文中提供標準 Python 算術核對及 AI 助手審核提示詞,並指出示例是合成教學數據,不能代表實際模型的實驗結果。

  12. DEV Community40

    作者公開自己的虧損交易紀錄:321 宗往返交易,淨虧 $35.85

    作者公開並以 $15 一次付款出售 321 宗已平倉往返交易紀錄,當中 153 勝、168 負,扣除費用後淨虧 $35.85。按時間戳分成訓練集和測試集後,兩部分的做空交易、$1–$10 價格區間交易及 00:00–06:00 UTC 入場交易均錄得虧損,作者已在策略中停用相關交易。放寬止蝕策略的測試結果對滑點敏感,加入 0.25% 滑點後,測試集轉為負數。

  13. DEV Community44

    小型 Next-Concept Modeling(NCM)模型在 TinyStories 上訓練:損失更低,故事更差

    作者以 MLX 從頭訓練小型 NCM 模型,發現教師強制下的損失愈低,模型自行生成的故事反而愈差,表現也不及使用相同 Transformer 區塊的自回歸(AR)基線。減少訓練時的程式碼損壞後,clean code CE 由約 2.25 降至約 1.39 nats per code,但兩個生成器種子的 GPT-2 large perplexity 均上升,最高由 45.568 升至 93.833。

  14. DEV Community61

    AI 應用應選哪種數據架構?數據倉庫、data lake 與 lakehouse 的適用場景

    AI 應用沒有通用的最佳數據架構,數據倉庫、data lake 與 lakehouse 分別適合不同數據類型、使用者和工作負載。監督式機器學習與 BI 常以數據倉庫為起點,深度學習所需的圖像、音訊等非結構化數據通常存於 data lake;lakehouse 則可在 lake 的儲存層上加入 ACID、schema evolution 和 time travel。

  15. DEV Community32

    甚麼是 AI?

    AI 模型由神經網絡中的參數構成,訓練會逐步調整參數,令模型更能產生有用回應。增加參數需要更多數據和運算資源,也會提高每次使用的成本,但模型規模加倍不代表智能加倍。模型即使完成訓練,仍可能自信地生成錯誤內容,這稱為模型幻覺。