MultiNLI 各文本類型的標註者一致度普查:哪些金標籤最不具決定性?
兩項預先註冊的可重現普查顯示,MultiNLI 金標籤的一致程度因文本類型而異,政府文本的一致率最低(53.4%),書信最高(65.3%)。另一項 ChaosNLI 審計發現,3,113 個抽樣例子中有 311 個即使經過 100 次標註仍沒有嚴格多數。這些結果衡量的是標註者一致度,而非標籤正確性。
兩項預先註冊的可重現普查顯示,MultiNLI 金標籤的一致程度因文本類型而異,政府文本的一致率最低(53.4%),書信最高(65.3%)。另一項 ChaosNLI 審計發現,3,113 個抽樣例子中有 311 個即使經過 100 次標註仍沒有嚴格多數。這些結果衡量的是標註者一致度,而非標籤正確性。
報告分析原生 NVFP4 強化學習在訓練後期不穩定的原因,並提出 TRIAGE 更新方法和 miniTE 數值執行框架。在 8×B300 上,miniTE 採用 BF16 backward 的完整學習器更新速度約為 BF16 的 1.33–1.37×;另一項固定輸出服務測試的吞吐量約為 BF16 的 1.64×。
作者分享從數據分析初學者邁向數據科學家的學習路線,先以 Python、SQL 和 Excel 打好基礎,再學習數據分析工具。作者亦就如何脱離逐步教學、需要掌握多少數學,以及如何製作具吸引力的作品集,向有經驗的從業者請教。
DeepSeek 完成約 100 billion yuan(約 15 billion dollars)融資,據報是中國 AI 領域歷來最大單輪融資。
推薦理由:這輪融資不只涉及金額,投資者須説明可帶來的數據支援與業務協同,並與公司的上市計劃一併理解。
Emma Sofia 推出 Didn't Read,使用 Tinker 微調的 Qwen/Qwen3.5-4B 逐句辨識服務條款中的 8 類不公平條款。在 422 句評測切片上,Macro F1 由零樣本基礎模型的 0.707 升至微調版本的 0.874(+23.7%),仲裁條款 F1 則由 0.318 升至 0.923。
一名生命科學本科生正以 AI 和機器學習探索生物資訊、計算藥物發現及醫療保健,並透過實作項目累積經驗。他正在開發 DockLens,結合機器學習與分子對接分析;另一項目則以合成患者數據和模擬穿戴式裝置測量,探索預測血糖變化。作者強調,模型預測不等於科學或臨牀有效,仍須評估數據、模型限制及結果。
南繁硅谷運用高通量植物表型採集平台,為植物快速採集生長特徵數據,推動育種研究智能化。室內平台約兩分鐘完成十幾項指標的多維成像,田間採集株高數據的效率則相當於以往50個人,平台亦可24小時不間斷作業。2025年南繁種業年產值突破200億元。
月之暗面正式發佈 Kimi K3.1 Pro,這是 K3.1 系列首個模型,規模達 3 萬億級,支援 100 萬 token 上下文窗口。在 Terminal-Bench 4.0 編程智能體評測中,它得分 65.7%,高於 GPT-6 Astra 的 58.2%,與 Claude Opus 5.5 的 66.4% 相差 0.7 個百分點。
AI 不會因為「貓」的編號是 42、「狗」是 43,就判斷牠們比「汽車」更相似;編號只是標籤,不帶有語義。文本、圖像和音頻會轉換成數字,而模型從數據中學出的高維嵌入向量,才會呈現語義關係。數字之間的結構如何反映現實關係,決定了模型能否從表示中推理。
Sebastian Raschka 分享一套從零構建推理模型的影片課程,共 8 集、11 小時,從預訓練模型開始,以 Python 和 PyTorch 實作評估及改進方法。課程以預訓練 Qwen3 0.6B 為起點,涵蓋推理時擴展、RLVR、GRPO 和知識蒸餾,並用 MATH-500 評估模型。
文章探討 AI 會否因所使用的數據集或資料庫而產生確認偏誤,以及反覆告訴 AI 某些內容能否令它形成確認偏誤。作者指出,這只涉及個人使用情境,因為 AI 的實際數據集不會隨互動而改變。
華中科技大學同濟醫學院附屬同濟醫院牽頭的腦機接口高質量數據集建設項目,24日在武漢啟動,計劃於2027年建成投用。項目聚焦10類疾病方向,涵蓋6種數據模態,重點建設腦信號採集、意圖解碼、功能評估、閉環神經調控及康復交互等多模態數據集。項目亦將構建「數據採集—治理加工—應用服務」一體化數據能力平台,配套多項標準規範。
OweMyGod 使用微調後的 Qwen3-8B 解讀朋友對還款時間的回覆,在 25 條未用於訓練的手寫回覆中,日期判斷準確率達 92%,時間類型判斷準確率為 100%。作為比較,關鍵字規則的日期判斷準確率為 60%。應用程式會按判斷結果草擬 WhatsApp 還款提醒,並顯示解讀結果,讓用戶一鍵修正日期。
中珠醫療旗下深圳潛力數據科技有限公司與金擎科技簽署嗅視覺晶片及模組數據服務協議,潛力數據將提供質檢所需的圖片、影片、時序及結構化數據集。雙方未來還將共同優化嗅視覺感知的晶片級與模組級人工智能檢測模型算法,推動模型應用於工業檢測、環境監測及智能終端等場景。
作者以標準庫 Python 從零實作 minisklearn 的五個模型和評估指標,並在 Titanic 數據集上與 scikit-learn 比較。LogisticRegression、DecisionTree 和 RandomForest 的表現均較低,KMeans 的 inertia 則同為 742754.6。
Dimension Capital 團隊赴中國走訪多家 AI Lab 後,在致 LP 的信中重新評估中美 AI 格局,指出兩地基礎設施瓶頸不同,模型、數據與服務鏈條亦相互交織。
Flapping Airplanes完成10億美元A輪融資,由Index Ventures和Lux Capital聯合領投,融資後估值達60億美元。公司尚未推出正式產品,也沒有規模化收入,正探索提升模型數據利用效率,並開發 Megakernel GPU 計算框架以提高 GPU 實際計算效率。
Nokka 以一段從 y = wx + b 講到 ChatGPT 的短片為起點,解説加權總和、激活函數、神經網絡、attention 與 Transformer 的關係。文章指出,ChatGPT 不只涉及預測下一個 token,還包括指令微調、依人類回饋訓練回答排序模型,以及以獎勵進行強化學習。作者亦提醒,網絡文本含有偏見和錯誤資訊,而能預測下一個 token 不等於以人的方式理解語義。
MV2 對 OpenBookQA、SciQ 和 QASC 進行三項可重現普查,發現答案標註可能直接包含正確選項,令閉卷評測在未移除標註時測量字串回憶而非推理。
EnvLunch 利用可執行環境生成可驗證、無需人工標註的訓練軌跡,作為智能體強化學習前的預熱階段,提升下游任務表現。在不同下游訓練預算下,模型平均較基線高逾 9 分;標註資料較少時,基線需要 8 至 32 倍的標註例子,才能達到 EnvLunch 在最低訓練預算下的準確度。
Trajectory2Gym 透過構建具組合覆蓋度、且以決策為依據的互動,改善工具使用訓練,不再只收集成功軌跡。在五種 Qwen3 規模的測試中,它於 Tau1、Tau2 和 BFCL 均取得提升,三項基準等權平均增加 16.9-29.8 個百分點;增益在有狀態及多輪互動中最為顯著。
C^3L(Concept-Consistent Continual Learning)以離線發現的語義概念作為正則化錨點,打破持續學習中的解釋漂移循環。方法無需人工標註概念集,並以全自動方式發現概念及定位其空間位置。在五個基準測試及 20 多個基線上的評估中,C^3L於準確率、遺忘、解釋質素、虛假相關緩解及分佈外穩健性取得最先進表現。
RSI Arena 研究十個自主 AI 智能體能否在兩階段訓練中利用人類反饋,迭代改進以 NVIDIA Nemotron 3.5 Lightning 30B-A3B Base 為起點的語言模型。
FORK 獎勵在基於評分準則的強化學習中,同時最佳化評分準則覆蓋率與精確度,以提升回應質素並減少冗長。精確度要求回應每個部分既有必要性,亦符合事實,分別透過必要性積分和事實正確性評分器衡量。相較原有的召回率獎勵,FORK 在 RubricHub-Medical 和 HealthBench 的勝率分別由 10.6% 升至 68.0%、由 22.1% 升至 74.1%。
Moonshot 表示,已從 Kimi K3.1 Pro 的訓練階段移除網絡安全相關數據,以降低潛在的濫用風險,同時保留模型的一般用途。
SemiAnalysis 實測 Amazon Trainium 的原生 PyTorch 訓練堆疊及 Trainium3,認為新堆疊改善了訓練體驗,但編譯耗時仍是限制。
Databricks 的能源交易方案以統一數據平台支援即時交易、風險管理與分析,讓交易桌和模型流程共用同一數據來源。Spark Structured Streaming Real-Time Mode 以毫秒延遲將市場數據寫入 Lakebase,Databricks Apps 則展示價格、持倉及風險。
Amazon SageMaker AI 的多輪強化學習(MTRL)可按整個任務的結果獎勵訓練 Agent 模型,文章以 Wordle 展示端到端實作流程。以 medium effort、temperature 1.0 評估時,gpt-oss-20b 的解題率由 61% 升至 84%;訓練 token 費用約 $339,AgentCore 執行環境費用另約 $79。
推薦理由:文章以 Wordle 示範按多輪任務整體結果設計獎勵的方法,並拆解 SageMaker AI 訓練流程,提供企業內部工作流可參照的實作脈絡。
大數據是規模龐大、複雜且快速生成的數據集,需依靠專門技術儲存、處理和分析,以提取實用見解。其五項特徵是數量、速度、多樣性、真實性和價值,典型流程包括數據收集、接收、儲存、處理、分析及視覺化。Apache Hadoop、Apache Spark 和 Apache Kafka 等技術支援分散式儲存、數據處理及事件串流。
Baseten 推出 Baseten Environment Network,為客戶配對經審核的 RL environment 公司,根據各自的數據和領域需求建立 RL environments。合作夥伴會直接與客戶合作製作環境,Baseten 則負責訓練及推理。Baseten 計劃開源一批高品質環境,並公開審核及訓練方式,用於研究、標準化評測及建立反映現實世界智能的指標。
Meta 將更新後的 Commercial Terms 和 Self-Serve Ad Terms 生效日期延至 2026 年 11 月 20 日,此前 News/Media Alliance 已要求撤回條款。
Meta 將新商業條款的生效日期延至 11 月 20 日,此前出版商擔憂條款可能允許 Meta 抓取新聞網站內容用於 AI 訓練。條款原定 10 月 30 日生效;Meta 表示延期是為多留時間向合作夥伴及持份者解釋變更,並説明網站仍可透過 robots.txt 表達偏好。
Unitree 創辦人王興興表示,公司正開發 Unitree Rehearsal,讓人形機械人透過 AI 自我改進;計劃包括搜尋研究論文、編寫程式及先在模擬環境測試。Unitree 已利用 AI 進行這類工作,並以真實測試回饋調整模型;王興興預期,人形機械人最快於 2028 年可完成 80% 以語音交辦的任務,涵蓋工廠或家居工作。
文章以房價預測説明,AI 模型本質上是從數據中學得參數的數學函數;訓練是從例子中調整參數,推理則是用已學參數計算新輸入的答案。資料庫查找既有紀錄,模型則依據學到的規律作出預測,並可泛化至未見過的輸入。文中亦提醒,模型預測受訓練數據質素影響,不能視為事實。
跨模態知識蒸餾可讓深海探索棲息地以低功耗感測器學習高耗能感測器提供的資訊,支援自主、長時間運作。文章比較 logit 蒸餾、特徵蒸餾及跨模態對比蒸餾,並分享以 PyTorch 建立教師—學生感知流程的實驗做法;作者指出,聲納與光學影像的模態差異會令直接特徵匹配效果不佳。
中國移動牽頭建設的國家人工智能應用中試基地(製造領域汽車方向)發布業內首個汽車行業 AI 基座,並即日起向全行業開放共享。基座已納管112.7EFLOPS算力,提供算力、數據及模型服務,覆蓋研發、製造、智能駕駛及測評四大領域,並打造六大智能體。成果已在十餘家央國車企落地;其中,視覺質檢智能體將缺陷檢出率提升至99.5%以上,產線適配時間由4周縮至1周。
合成數據管線以真實圖片或影片及設定為輸入,生成可用於模型訓練的合成樣本,補足罕見場景的資料。流程分為輸入、提示詞生成與場景理解、生成、自動驗證,以及回饋與數據集組裝五個階段;不合格樣本會自動返回修正,合格樣本則連同自動標籤組成訓練數據集。每個樣本均保留原始媒體、各次重新生成及最終驗證版本的完整記錄。
AGIBOT 開源 AGIBOT WORLD 2026 的第四個版本 Release 4,推出「Physical Reasoning」數據集,記錄機械人在不同現實狀態與限制下,為同一目標作決策及執行的過程。數據集涵蓋 10 多類邏輯推理情境,提供高層問答及低層動作軌跡,並按 Easy、Medium、Hard 分為三級。它旨在支援高層決策模型與低層動作策略的協同訓練。
Rivian 收購 Third Dimension AI,將真實道路攝影片段重建為可調控的 3D 環境,用於訓練及測試駕駛輔助和自動駕駛軟件。工程師可移動攝影機、調整其他道路使用者的位置,以及改變光線和天氣,重現複雜路況。Philbin 向 TechCrunch 表示,Rivian 每日接收超過 400,000 段駕駛序列;收購條款未有披露。
Maxinsights 完成 $30M 種子輪融資,將人們煮食、清潔和工作的第一身視角影像轉為機械人訓練數據,融資由 Peak XV 領投。公司同步推出 MaxLoop 影片檢查軟件及 MaxGlove 感測手套,後者會記錄握力、物件重量和接觸變化;公司稱已收集超過 2 million hours 影像,當中 1.5 million hours 可供模型使用。