Stellantis 選用 Amperity 整合旗下品牌客戶資料
Stellantis 選用 Amperity,整合旗下品牌及不同接觸點的客戶資料,為個人化互動提供更一致的基礎。概念驗證期間,平台在數分鐘內載入數百萬筆紀錄,並在不足三日內建立統一的 Customer 360。這些是公告所述的評估結果,並不代表平台已正式投入生產。
Stellantis 選用 Amperity,整合旗下品牌及不同接觸點的客戶資料,為個人化互動提供更一致的基礎。概念驗證期間,平台在數分鐘內載入數百萬筆紀錄,並在不足三日內建立統一的 Customer 360。這些是公告所述的評估結果,並不代表平台已正式投入生產。
音樂版權公司 Reservoir Media Management 於 10 月 21 日分別起訴 Suno 和 Anthropic,指兩家公司未經授權使用歌曲及歌詞訓練 AI 系統,合共索償 $338 million。
兩項後續審計發現,OpenBookQA 的答案長度與選項位置捷徑都不能泛化至其他基準。選最長選項在 OpenBookQA 得分 43%,高於 25% 基準;不讀題而固定選 A,得分則為 27.6%。MMLU 的位置偏差朝向最後一項,固定選最後一項得分 26.7%,顯示捷徑須逐個基準檢驗。
Nodus 博客指出,模型缺乏領域知識或詞彙時應採用持續預訓練;若模型已理解材料,只是任務回應方式不合要求,則應微調。文章建議,只有在模型持續誤解領域術語、原始文本達數億個 token 且知識穩定時,才考慮持續預訓練;否則可先用數千個標註例子微調。
神經網絡在模組化加法任務中,可能先迅速記住訓練資料,經歷長時間測試表現停滯後,才突然學會泛化。權重衰減會推動模型由高權重範數的記憶解,轉向較精簡的規則解;其強度及其他超參數會影響這個轉變所需時間。
QueleaGuard 為解決空間聚集且分佈不均的生態數據所造成的驗證問題,改用僅以出現點進行 k-means 聚類,再把背景點分配至最近的中心點,建立五個空間折。266 條記錄各分配一次,每折均包含出現點和背景點,並將持續出現的海岸站點 62 條記錄保留在同一折。折數不均,且其中一折只有 14 條記錄,作者指出這可能令該折的評分指標較不穩定。
論文提出 Lean 證明系統 EasyProver 及驗證任務生成流程 Aegis,擴展定理證明在真實程式碼驗證中的應用。EasyProver 搭配無需額外訓練的現成前沿模型,解出 669/672 道 PutnamBench 題目、全部 6 項 IMO 2026 形式化題目、597/600 項 NTP4VC 驗證條件及全部 189 項 VERINA 任務。
Soft-MTP 透過 straight-through KL 梯度恢復技巧,移除多 Token 預測(MTP)訓練中的噪聲梯度殘差,只反向傳播 KL 自蒸餾訊號。
IntReal 提出面向真實世界多模態交錯生成的數據集與評測框架,用於診斷統一多模態模型的能力並改善生成效果。框架包括涵蓋四大類別的 IntReal-100K,以及按七個維度評估模型的 IntReal Evaluation Suite;評測與人類判斷的一致準確率為 83.3%。實驗顯示,使用 IntReal-100K 訓練可改善交錯生成,單模態生成訓練亦可帶來效益。
A-RSI 按學習訊號下降情況刷新訓練任務,提升零數據多模態遞迴自我改進的基準表現,無需外部標籤。在主要的 11 項基準測試中,使用 800 個新任務後,平均表現由 57.77 升至 61.05。新任務由模型撰寫的程式生成多模態問題,並產生可獨立核驗的答案。
Teacher-Evolution Self-Distillation(TESD)透過獎勵引導的教師最佳化及自適應降低不可靠樣本的權重,提升策略內自蒸餾的自我教學可靠性。方法讓自我教師生成 rollout,並根據任務正確性及上下文獨立性取得環境回饋。多個數據集及模型規模的實驗顯示,TESD 持續勝過具代表性的 token 級及序列級方法。
研究團隊開發的 Pinal 可根據自然語言提示設計蛋白質,Hugging Face 等合作方推出的 Carbon X 則可處理 DNA 與英文,並在兩者之間轉換。
Google Research 提出 sleep framework,讓 LLM 交替進行主動互動與離線記憶整合,把短期上下文知識寫入長期參數以持續學習。該方法在 BABILong 長上下文測試中近乎完美地擴展至 10M tokens,並在未見語言的多階段持續翻譯評估中維持近乎零性能下降。
聯邦法官裁定 Anthropic 曾非法取得逾 10 名斯坦福教授的著作訓練 Claude,並不得盜版書籍建立永久中央藏書庫;法官同時認為,合法購書用於大語言模型訓練屬合理使用。
推薦理由:裁決將盜版建庫與合法購書訓練分開處理,作者退出集體和解並另行索賠,呈現 AI 訓練版權爭議中的法律界線與補償分歧。
NVIDIA 與 Oracle 宣佈計劃把 OCI Superclusters 的 NVIDIA Vera Rubin NVL72 系統擴至多吉瓦規模;NVIDIA Vera Rubin NVL72 和 NVIDIA Vera CPUs 已在 OCI 正式提供。
Exowatt 以 Amazon SageMaker AI serverless model customization 微調 Qwen3-1.7B 和 Qwen3-14B,應用於端側告警分流和雲端能源市場分析,兩者在各自測試中均勝過前沿模型。
NVIDIA 探討如何微調 Nemotron,讓模型掌握當地規則,而不只是當地語言。隨着 AI 在不同語言和文化中的應用擴展,通用語言模型有時缺乏特定應用所需的本地知識、文化細節和準確度;合適的數據和評估可協助透過後訓練調整開放模型。
Anthropic 的商業產品輸入和輸出預設不會用於模型訓練;用戶提交評分意見或明確同意使用資料後,相關聊天和編碼工作階段則可能用於訓練模型。提交評分意見時,Anthropic 會在安全後端儲存整段相關對話,最長 5 年,並在使用前解除資料與用戶及客戶 ID 的連結。Team 或 Enterprise 計劃的擁有者可在組織設定中停用提交意見的功能。
C-BRAIN 與 NVIDIA 合作,運用 AI 支援阿茲海默症研究,目標是加快研究發現,推進新治療所需的科學工作。其已建構 OpenScientist 和 InsightEngine 兩項開源智能體 AI 工具,分別用於生成及分析研究假設,以及對照科學文獻、用戶提供的數據集和生物醫學知識圖譜核驗主張。
Smartling AI 副總裁 Olga Beregovaya 在訪談中談及多語言 AI 的差距、翻譯品質與人工監督,並指出訓練資料對語言及文化的代表性會影響模型表現。
Ben Horowitz 認為,Databricks 正以 Lakehouse、Lakebase 和麪向智能體的記錄系統,支撐企業工作模式轉變。文章回顧 Spark、Lakehouse、Lakebase 到智能體的技術演進,並稱 Databricks 的收入年化運行率已超過 $7 billion,按年增長 80%。
大型語言模型預訓練透過大量模型 token 序列優化神經網絡,讓模型在特定任務適配前學習可重用的語言、事實及程序模式。流程包括整理及分詞語料、抽取序列組成訓練批次、以自監督目標預測 token、在分佈式硬件上反向傳播損失,以及保存檢查點並評估能力。文章亦將預訓練與教導模型遵循用戶要求的指令微調區分,指出兩者的成效證據、成本主因及風險控制各有不同。
預測式 AI 結合人類專業知識,可協助商戶管理波動的支付手續費,並將數據分析轉化為實際費率下調。AI 模型可分析交易數據及標示費用異常,但判斷費率是否合理、與支付處理商協商及跟進減價,仍需人類專業介入。
瑞士生物科技初創 Atlas Bio 正式亮相並披露累計 $12.5 million 融資,其中 $10 million Seed 輪由 Creandum 領投,另有 First Momentum Ventures 和 LEA Partners 領投的 $2.5 million pre-Seed 輪。
資金重回機器人板塊,行情主線由硬件本體轉向物理 AI 所需的高質量具身數據,數據採集設備與數據服務商成為市場關注焦點。浙商證券估算,具身基礎模型至少需要千萬小時級真實數據,目前全球可用的高質量真實數據僅數十萬至百萬小時級。數據相關公司的股價表現突出,但部分企業的數據採集業務仍處於客戶導入階段,尚未轉化為業績增長。
Open3DLab 等網站稱,帶有 Roblox 標識的爬蟲於 2026 年 10 月 15 至 16 日下載 1,027 個檔案,共 145.5 GB,包含成人內容。
Marvin Okafor 在膝部 MRI 競賽尚餘 7 天時加入,用 Kaggle 免費雲端運算約 6 小時完成模型,公開排行榜得分 0.919,約 9 分鐘處理約 1,300 張測試掃描。
意大利深科技公司 Agora Labs 獲 €4.3 million 融資,用於擴展支援醫學研究的臨牀數據基礎設施。該公司在醫療機構內處理及標準化臨牀數據,並以匿名化及聯邦式 AI 技術連接醫院,讓研究人員跨機構分析數據而不直接存取患者紀錄。Agora Labs 現有 50 間醫療機構組成的國際網絡,計劃未來數月把規模擴大一倍。
Remote 行政總裁 Job van der Voort 表示,AI 公司對獨立合約工作者的需求大幅上升,不少博士受聘標註數據並為模型提供反饋。相關工作起初以簡單標註為主,如今不少博士會一邊研究、一邊承接這類工作;他預期市場未來幾年會繼續增長。Van der Voort 説,Remote 尚未見到一般客戶加快或放慢招聘,AI 公司則增長迅速。
阿里雲瓴羊 Dataphin 以「治理即研發」將數據標準和質量規則前置至建模流程,並以 AI 引擎減少重複開發工作量。敏捷版支援按模組訂閲,月費約 2000–3000 元,初始搭建一次性投入可控制在 3–5 萬元,約 3 周跑通首個業務場景。
AI 生物科技公司 Rivercell 宣佈完成 2,200 萬歐元種子輪融資,由 HV Capital 領投,Alven Capital、Bpifrance 與 Hardware Club 跟投。Rivercell 專注構建 AI 虛擬細胞(AIVC)世界模型及自動化細胞反應數據平台,利用多模態單細胞擾動數據訓練細胞仿真模型,預測藥物或基因幹預下的人體細胞動態變化。
David Buchan 微調 YOLO26n-cls,讓模型判斷交易直播截圖是否顯示已成交倉位。流程以本地 faster-whisper 的語音線索篩出候選影格,再由 Ollama 上的 qwen2.5vl:7b 草擬標籤;語音和影像一致後,作者逐格核驗訓練資料。
數據公司「智能知識」(HumanIntelligence)旗下專家社區一面千識(MeetChances)發佈「千識fellow·AI領航計劃」,擬投入5000萬元,邀請研究者、行業專家與 AI 研發團隊協作。
S3AC 提出一種用於 LLM 長鏈式推理的 Actor-Critic 訓練方法,透過難度感知提示詞採樣,在不依賴分組 rollout 的情況下改善訓練。它結合 token 級優勢估計與提示詞級基線,在 1.5B 至 397B 參數的稠密及混合專家模型上提升分組 rollout 表現,勝過 GRPO-X;在 35B 規模下亦可持續單次 rollout 訓練。
行元智能發佈面向機械人預訓練的跨本體數據引擎 Chorus(Chorus眾行),將不同來源的人類操作示範納入統一數據處理管線,並以共享的中間表示轉化為適配不同機械人本體的訓練數據。當前測試配置下,Chorus可實現約40倍的有效訓練數據擴容。
這個 AI 客服工單分流示範在 Banking77 測試集上自動處理 75.9% 的工單,這些工單的準確率為 97.7%。示範使用 10,003 條訓練訊息和 3,080 條測試訊息,模型採用詞語及字元 TF-IDF 特徵、邏輯迴歸與校準機率,沒有使用大語言模型或 GPU。
AREX 研究團隊發布基於 Qwen3.8-27B 的 AREX-2,使用機器學習與演算法編程場景的長程反思數據訓練模型,並在多項基準取得領先成績。
Ropedia 在首屆 Ropedia Super Week 集中發布六項研究,探討如何把人類第一視角經驗轉化為機器人學習與操作所需的數據。研究涵蓋 Ropedia W0 的跨本體影片預測、HoliWorld 的物體交互資料整理、EgoXperience 的聯合重建、S-Agent 2.0 的空間工具使用、DONIC 的雙手協作,以及 Ropedia A0 的純程式碼策略。
正則化透過在損失函數加入懲罰項,抑制模型複雜度,減少過度擬合並提升對新資料的泛化能力。指南説明 Ridge、Lasso 和 Elastic Net 的正則化方式,以及 alpha 如何控制懲罰強度。內容亦解釋學習率與特徵正規化、標準化在模型訓練中的作用。
科大訊飛在全球1024開發者節提出把模型部署到更貼近用戶與數據的位置,以雲端教學、本地處理為主軸推進端雲一體佈局。雲端星火 X2.6 採用 293B 總參數、30B 激活參數的 MoE 架構,上下文拓展至 1M;訊飛公佈的測評中,星火 X2.6-4B 的端側智能體任務覆蓋度為 41.9%。