跳到正文
10月31日週六
  1. DEV Community46

    嘗試用擴散模型取代 CFD:查表法勝出,並助方法奏效

    作者嘗試以受 Navier-Stokes 方程約束的擴散模型取代 CFD,為 2-D 翼型進行設計,但在首輪測試中,擴散模型不及查表法。改用查表搭配「檢索→微調→驗證」後,命中率達 83% / 97% / 99%,高於查表法的 75% / 91% / 98%;關鍵是利用已儲存的求解器結果判斷候選翼型。測試網格點之間的條件時,擴散模型仍落後於直接以代理模型微調。

  2. DEV Community40

    Arabic-First AI:為何方言、數據集與部署都重要

    以阿拉伯語為先的 AI 需要方言模型、豐富的方言數據集,以及符合當地基建條件的部署方式,才能貼近使用者實際使用的語言。MasryGPT 微調 Qwen2.5-1.5B-Instruct,在 80k 埃及語例子上訓練一個 epoch,埃及語流暢度達 4.6/5,但標準阿拉伯語流暢度下降 10%;作者指出,這項評分來自 3 名講者的內部評審,並非獨立基準。

  3. DEV Community51

    Still Spoken 以 85 支蠟燭呈現 Gemma 3 1B 對電腦先驅的遺忘

    作者建立 Still Spoken,以 85 支蠟燭呈現 Gemma 3 1B 對已故電腦先驅的辨識情況,並用 LoRA 微調把 77 人的姓名寫回模型權重。模型對這 77 人的回憶題答對數由 6 升至 74,微調在 6 GB 手提電腦 GPU 上用時 21 分鐘,產生 52 MB LoRA adapter。對未納入微調的知名人物選擇題,模型給出正確答案的信心由 84% 降至 51%。

  4. 新浪科技52

    女生租下30套房,每套約用一週訓練人形機械人

    浙江一名項目負責人為人形機械人採集訓練數據,於2026年6月一次簽下30套房源,每套短租約一週,供機械人在真實居家場景練習家務。訓練由物品抓取、放置逐步擴展至整理房間、沖咖啡及清洗實驗器皿,場景涵蓋家庭、廚房、餐廳、超市和藥店。由於機械人暫時未能靈活同步完成拿手機、端水杯等雙手動作,訓練人員須把連貫動作拆成獨立步驟分步採集數據。

  5. Unite.AI29

    甚麼是 Flow Matching?生成式 AI 的更快速路徑

    Flow matching 是一種生成模型訓練方法,透過訓練連續速度場,沿指定機率路徑將樣本由簡單分佈傳送至數據分佈。其運作流程包括選擇來源與目標分佈、抽取路徑中間點、訓練網絡預測目標速度、積分學得的常微分方程,以及解碼樣本;它不同於反覆逆轉噪聲過程的隨機擴散取樣。

  6. The Decoder65

    Google DeepMind 利用衞星數據和 AI 建立全球森林地圖 ForTy

    Google DeepMind與世界資源研究所開發ForTy全球森林地圖,將2020年全球土地劃分為6類,底層數據解像度為10米。該地圖為歐盟《零毀林產品條例》(EUDR)提供參照;專家核查8,190個抽樣地點,整體正確率為90.2%,但樹作物及人工林的辨識率僅約一半。地圖、分類層及測試數據以CC BY 4.0免費提供,程式碼已發布於GeeFlow和JEO儲存庫。

  7. 第一財經42

    高價值數據依然短缺,數據如何「用得好」卡在最後一公里

    高質量數據短缺及數據應用難以落地,成為人工智能產業從「供得出」走向「用得好」的瓶頸。全球數據總量中有效利用的僅約3%;具身智能訓練數據需求達千萬小時級,現有高質量數據僅在百萬小時級。業界指出,應用須接入前沿基礎模型並形成效果回饋閉環,數據信任、算力配置及商業模式也仍待解決。

  8. 第一財經40

    從「有數據」到「有價值」:上海探索以公共數據打造產品

    上海由兩家授權營運機構推出首批公共數據產品,嘗試打通從資源歸集到產品供應的鏈路。2026全球數商大會聚焦數據進入場景、交易並創造商業價值;運營機構提出以脱敏、匿名化等方式開發二級數據產品,並探索「四個車間+一個中心」的規模化生產模式。大模型和智能體正重塑數據流通形態,上海數據集團提出「鏈數智融合」架構。

  9. DEV Community41

    我教開源 AI 聆聽故障機器的幽靈:ECHO-17

    團隊開發 ECHO-17,讓用戶檢視真實液壓系統錄音,並以 AI 分析機器狀況。Random Forest 在 441 個留出週期的準確率為 99.32%,但 Cycle 735 被誤判為接近故障;系統保留這項錯誤,供用戶核對實驗記錄。公開示範使用預先儲存的推理結果及經驗證的 Gemma 報告,不會即時執行 Gemma 或 GPU 推理。

  10. DEV Community47

    對比學習:為何拉近相似樣本能在沒有標籤的情況下學習表徵

    對比學習透過拉近正樣本對、推遠負樣本對,在沒有標籤的情況下訓練可遷移至其他任務的表徵;SimCLR、MoCo 和 CLIP 均採用這個核心概念。InfoNCE 損失以負樣本避免表徵塌縮,而表徵品質取決於對齊與均勻性之間的平衡。資料增強方式決定模型學會忽略哪些差異,因此設計正樣本對就是設計學習任務。

  11. 創業邦60

    紅果短劇為何令人一刷至少兩小時,平台又警惕被捧為「殺時間大王」

    紅果短劇日活達1.68億、人均單日觀看125分鐘,秦朔據此提出中國互聯網進入「字節時間」,李亮則質疑數據口徑及「捧殺」風險。文章分析,免費廣告、連播推薦與分賬機制降低觀看門檻,也令注意力分配牽動短劇生產並加劇內容同質化。文中亦討論監管治理、老年用戶保護及AI短劇對羣演工作的影響。

  12. DEV Community63

    人機協作:如何設計審核佇列

    Slava Kotenev 提出一套人機協作審核佇列設計方法,涵蓋入列條件、工作量估算、審核流程及持續監測。他的工單分類示範使用公開資料及測試數字,約 24% 工單低於信心門檻;他建議先按每日項目數、覆核比例和單項所需分鐘估算每日審核工時。他亦建議把更正保存為標註範例、追蹤覆核者改動提案的比率,並加入已知答案項目,檢查覆核是否流於照單全收。

  13. DEV Community50

    雙層最佳化:為何元學習是巢狀最佳化問題

    雙層最佳化由外層選擇變數、內層在該選擇下求解構成,元學習的共享初始化與新任務快速適應便呈現這種結構。文章介紹兩種計算外層梯度的方法:根據內層最優條件的隱式微分,以及沿內層最佳化步驟反向傳播的展開微分。前者適合內層接近收斂且不希望梯度依賴求解軌跡的情況,後者適合刻意截斷的適應流程,但會增加記憶體成本,並受非凸性及驗證資料過度擬合等問題影響。

  14. OpenAI News68

    OpenAI 彙整各界支持 AI 訓練適用合理使用的法律意見摘錄

    OpenAI 刊出多個團體、專家及美國政府提交法院的意見摘錄,支持將受版權保護作品用於生成式 AI 訓練屬合理使用。部分意見認為,訓練用途具轉化性且不取代公眾接觸原作,並指出限制訓練或會影響研究、教育、無障礙服務及創作者使用 AI。

    推薦理由:文章並列法律學者、圖書館、創作者及政府提交的論點,呈現合理使用爭議如何牽涉訓練方式、作品市場影響與公共利益。

  15. DEV Community33

    數據驅動算法改變了非接觸式睡眠感測的哪些方面,又有哪些做不到

    數據驅動模型透過大量已標註的睡眠夜晚擬合判斷邊界,令非接觸式睡眠感測的睡眠狀態序列更平穩,也較能處理入睡、醒來等轉變及個人基準。雷達無法測量腦部活動、眼球運動或肌肉張力,因此睡眠階段仍是依據相關訊號作出的推斷,已發佈的協定亦沒有 REM 階段。

  16. Baseten Base Labs:模型研究44

    理解 RL 中價值函數的計算效率

    Base Labs 以玩具實驗研究 RL 中訓練價值函數的額外計算成本是否值得,發現羣組基線上加入評論模型帶來的幫助比預期更小。 在兩項單輪任務中,即使是「完美評論模型」,最多也只能消除 40-60% 的優勢值變異;小型價值頭或有幫助,但效益可能有限。

  17. DEV Community41

    小型 RAG 微調實驗實際能證明甚麼

    一項小型 RAG 實驗微調了預訓練重排器,確認權重更新及檢查點載入正常,但在合成留出測試中沒有觀察到排序提升。測試只有兩條可回答問題,原始與調整後的重排器 nDCG@5 均為 1.0,配對差異為 0。真實領域評估及人工評分尚未完成,現有結果只支持實驗流程可運作,不能證明微調改善了答案品質。

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

    以速度匹配學習動力系統演化

    研究提出 Velocity Matching(VM),以無需模擬的訓練目標學習 Neural ODE,並以穩定性估計提供軌跡誤差保證。在非線性 ODE 測試案例中,VM 以與 teacher forcing 相同的訓練成本(採用 explicit Euler)取得較低軌跡誤差;在半離散 PDE 上亦能穩定訓練並取得最低測試誤差。

  19. 雷鋒網57

    2026 年中國模型廠商 RSI 探索進展與工程邊界

    中國模型廠商正以訓練流程、推理系統、Harness 和沙箱等工程環節推進 RSI,但目前尚未有廠商讓 AI 改寫模型權重。智譜的 Infra Agent 在 10 萬張國產晶片組成的集羣上,兩週內建成 GLM-5.3-Flash 生產級推理服務,端到端吞吐量達初始基線的 3.2 倍;深度求索(DeepSeek)的 DSec 每日可建立約 300 萬個沙箱。

  20. Unite.AI58

    OpenAI 宣佈將尊重 robots.txt 共享 AI 訓練偏好訊號

    OpenAI 於 2026年10月30日宣佈,將尊重 robots.txt 中的共享訊號,讓網站營運者一次向多家參與服務供應商表達 AI 訓練偏好。訊號以 User-Agent 政策 token `__usage_ai-training` 表達,OpenAI 計劃於未來數月實施。這項自願機制不取代 OpenAI 現有的 robots.txt 控制,偏好是否獲遵從則由接收方決定。

  21. OpenAI News56

    OpenAI 將遵守網站透過 robots.txt 發出的 AI 訓練偏好共用訊號

    OpenAI 宣佈將遵守 robots.txt 中讓網站表達其內容能否用於基礎生成式 AI 訓練的共用訊號,網站可藉此一次向多個參與供應商傳達偏好。網站營運者以往須為各供應商分別設定爬蟲規則,OpenAI 計劃在未來數月實施共用訊號,並會再公佈細節。新訊號不會取代現有 robots.txt 爬蟲控制,現有控制仍會繼續適用並獲尊重。

  22. DEV Community75

    英國 CMA 就 Meta 涉及出版商及 AI 的內容條款展開反壟斷調查

    英國競爭及市場管理局(CMA)於 2026 年 10 月 30 日對 Meta 展開反壟斷調查,審查其擬議條款是否容許收集企業及出版商網站內容,供自家產品(包括 AI 功能)使用。CMA 關注相關企業是否沒有選擇內容用途的實際空間,並將判斷 Meta 是否在相關英國市場佔支配地位,以及條款是否構成濫用。Meta 已於 10 月 28 日暫停推行,稱沒有調查理據,並表示會先諮詢出版商及其他持份者。

  23. Unite.AI28

    AI 就緒始於可信賴的產品資料

    製造商要做好 AI 準備,必須確保產品資料、配置邏輯和業務規則準確一致,否則 AI 可能加快錯誤,而非改善決策。傳統抽查難以覆蓋所有組合;一個有 30 個變數、每個變數有五個選項的模型,約有 10²¹ 種組合,正式方法可比較模型所允許的有效產品組合是否一致。