Google Research 提出 Agile Deliberation:让 AI 帮人厘清主观分类的灰色地带
Google Research 提出 Agile Deliberation 框架,把主观图像分类器的构建拆成概念范围界定与概念迭代两个阶段,由 VLM 主动挑出边界模糊的图片,让用户给出反馈,再自动优化提示词。
Google Research 提出 Agile Deliberation 框架,把主观图像分类器的构建拆成概念范围界定与概念迭代两个阶段,由 VLM 主动挑出边界模糊的图片,让用户给出反馈,再自动优化提示词。
Indegene 在 AWS 上的 NEXT Unified Data Platform(NEXT UDP)中构建了由 LLM 驱动的 Data Quality Agent,可生成上下文感知的数据质量规则、完成校验并输出可直接运行的 SQL 和 Python 代码,且处于集中式 human-in-the-loop 治理之下。
IBM 研究团队发布 Palette,通过 LoRA 微调一个 20B 开源权重模型,让它按 IBM Design Language 生成幻灯片。模型被拆成设计者和编码者两个角色,前者输出结构化 JSON 简报,后者并行生成每页的 pptxgenjs 代码,编码阶段约快 6–7 倍。
Ai2 推出 StateBench,用于评测语言模型在长文档中追踪实体状态变化的能力,按 r-trivial、aperiodic、soluble、general finite 四个难度层级设计。
Google DeepMind 为 Google Antigravity 发布一套化学信息学技能(Cheminformatics Skills),基于 RDKit 并接入 ChEMBL 和 PubChem,让智能体完成文献化合物提取、匹配分子对分析和成药性建模。
推荐理由:原文用真实肺癌药物案例展示智能体如何把多天的化学信息学流程压缩到一小时,并说明工具的边界。
NVIDIA 联合 COMSOL、Applied Materials、Siemens、Lam Research、Advantest 等厂商,用加速计算、物理 AI、AI 智能体和数字孪生构建"AI 定义的晶圆厂"。
AWS 介绍如何用序列级知识蒸馏(SeqKD)在 Amazon SageMaker AI 上微调购物智能体:由前沿教师模型生成多步工具调用轨迹,仅保留能完成任务的成功轨迹,再用监督微调训练小模型,无需教师 logits 或强化学习基础设施,闭源或仅 API 可用的教师模型同样适用。
AWS 提出用五步闭环管理 Amazon Bedrock 生成式 AI 成本:归因、可观测、预算强制、平台默认优化与定期复盘。Amazon Bedrock 可将推理成本自动归因到发起调用的 IAM 主体,调用方 ARN 写入 CUR 2.0 的 line_item_iam_principal 列,覆盖 IAM 用户、角色、联合身份与 API key。
OpenAI 宣布将遵循一种共享的 robots.txt 信号,帮助网站运营者向参与该机制的提供商传达其 AI 训练偏好。
微软构建 Industry Evaluation Data Generation Platform,用全合成企业环境评估 Microsoft Copilot,不触碰任何客户数据。
Hugging Face 与卡内基梅隆大学、普渡大学、佐治亚理工学院等机构联合发起 Project ProtoStar,推动公共资助的科研数据集、模型和代码以 AI 就绪格式开放共享。首个挑战赛由卡内基梅隆大学主办,于 11 月 2 日开放。Hugging Face 目前已托管超 17,000 个核心科学领域公开数据集,含医学和数学则接近 29,000 个。
AWS Batch 为 SageMaker Training 作业新增配额管理能力,管理员可按团队或项目划分 GPU 容量为配额份额,并配置 RESERVE、LEND、LEND_AND_BORROW 三种资源共享策略。
AWS 发布 Ray Train 深度学习容器(DLC),预集成 Ray 2.58.0、PyTorch 2.13.0、CUDA 13.0.2、NCCL 2.29.7 与 EFA 网络栈,镜像公开于 Amazon ECR Public,无需自行构建。
NVIDIA 发布开放权重模型 Nemotron 3.5 Transcribe,把转写、说话人分离、翻译和音频问答整合进同一个 checkpoint,支持 40 种语言转写、31 种语言与英语互译、13 种语言的说话人标注,可处理最长 1 小时录音并标注最多 8 位说话人。
推荐理由:原文给出多语言转写、说话人分离与翻译的统一模型,并附开放数据管线和微调配方,可据此判断落地方式。
Google Research 提出 sleep 框架,在持续学习中为 LLM 引入睡眠阶段,通过记忆巩固与梦境自改进两个环节把短期上下文写入长期参数,缓解灾难性遗忘和知识截止问题。
Exowatt 基于 Amazon SageMaker AI 无服务器模型定制,用 Qwen3-1.7B 和 Qwen3-14B 分别构建边缘告警分诊与云端能源市场分析模型,精度超过前沿模型,成本最高降低 49 倍。该流程通过 LoRA 与 SFT 微调,配合 SageMaker 无服务器评估和 Model Registry,将原始运营数据到可部署模型的周期从数月缩短到数天。
Property Finder 发现其评估标签中 96.8% 直接来自现有视觉语言模型的预测而非人工核验,导致任何替代模型在对比中天然处于劣势。团队重新人工标注 356 张 UAE 图像,将单标签改为多标签分类,并通过 v0 到 v27 的提示词优化循环在 Amazon Bedrock 上选型,最终实现准确率提升且成本降低 86%。
NVIDIA 与 C-BRAIN 合作,用 AI 加速阿尔茨海默病研究,C-BRAIN 已建成 OpenScientist 和 InsightEngine 两款开源智能体工具。
AWS 发布基于 SageMaker Python SDK v3 的车队级边缘计算机视觉模型生命周期方案,用 SageMaker Neo 取代已弃用的 SageMaker Edge Manager 做边缘优化。
OpenAI 说明其如何加强前沿模型训练与评估环境的隔离,包括离线环境和需要大量算力的红队测试。原文仅提供摘要,未展开具体技术细节。
AWS 发布在 Amazon SageMaker AI 上做多轮强化学习(MTRL)的实操指南,训练任务通过 AgentCore 托管的智能体执行多轮动作,按整局结果给奖励。示例中 gpt-oss-20b 在留出词上的解谜率从 61% 提升到 84%,训练 token 花费约 339 美元。文章还给出奖励设计的两处反转错误和训练中遇到的失败,并建议在服务时的设置下做评测。
Amazon Quick Sight 图层地图新增支持 GeoJSON 的 Point 和 LineString 两种几何类型,可在地图上标注门店等具体位置并绘制配送路径、航班航线等路线。GeoJSON 文件上限 100 MB,需与 Quick Sight 数据集通过共享键字段关联,每个图层一次只渲染一种几何类型。
Firebird 与哈萨克斯坦政府签署投资协议,获得 45,000 块 NVIDIA Grace Blackwell GPU 的美国出口许可,首期与 Kazakhtelecom 在 Data Center Valley 建设,目标 2027 年第三季度商用。
微软与 Hugging Face 联合发布 ThinkingBox-Training,把 ThinkingBox 对数据库终态的确定性校验直接当作 RL 奖励,用于训练智能体。
Amazon SageMaker AI 的 Serverless 模型定制新增训练会话 API,把 forward_backward()、optim_step()、sample() 等操作变成 API 调用,模型在 GPU 上保持加载,用户只需在本地 Python 中编写训练循环。
AWS 宣布 SageMaker AI 无服务器模型定制功能正式推出训练会话(training sessions),用户可自行编写训练循环、损失函数和奖励信号,GPU 分配、分布式执行、故障恢复与 checkpoint 存储由平台负责。
针对自托管 TTS 端点自动扩缩容目标值靠猜的问题,AWS 在 Amazon SageMaker AI 实时端点上部署 82M 参数的 Kokoro-82M 自定义容器,用实测的 Q_max(单实例在 SLO 内可承受的最高并发)和 T_total(一次扩容端到端耗时)推算扩容阈值、缩容阈值与两个冷却时间。
NVIDIA 发布 AIOps 平台 Minerva,汇集基础设施与 AI 负载的遥测数据,用专用 AI 模型把数据转化为可执行洞察。该平台通过动态知识图谱映射 GPU、SuperNIC、交换机、线缆及运行其上的作业,每小时分析数十亿数据点,可把大量告警聚合成单一事件并给出可能根因。
IBM 在 Hugging Face 发布 Granite Timeseries Ensemble,用一套可扩展接口组合四个 Granite 时序模型,无需重训、无需拟合集成权重即可输出中位数与分位数预测。
NVIDIA 扩展 Cosmos 平台,新增训练工具、仿真检查点和 Cosmos Data Factory 蓝图,覆盖世界模型从数据准备到部署的流程。
推荐理由:原文列出 Cosmos 平台新增的训练工具、仿真检查点和数据工厂蓝图,读者可据此了解世界模型从数据到部署的完整链路。
在单台 trn2.48xlarge 上,torchtitan 可通过 TorchNeuron 将 Trainium 注册为原生 PyTorch 设备,并以三种方式训练 Qwen3-4B-Instruct-2507:Transformers v5 后端、torchtitan 原生 Qwen3 实现,以及挂载 NKI MoE kernel。
美国非营利组织 U.S. Hunger 借助 Amazon Quick 让领导层直接探索组织数据,并将 SQL Server 数据每晚 2 点刷新至 SPICE 内存引擎。Quick Spaces 为领导团队提供共享的 KPI 定义、财务文档与分析空间,目前已有 17 名同事获得访问权限,覆盖高管、技术、Full Cart 项目、财务与合规等职能。
NVIDIA 发布预训练关系基础模型 Kumo Relational,可直接在企业数据库上做预测,无需任务特定训练、特征工程或表展平。
推荐理由:原文给出预训练关系基础模型在 41 项任务上的对比结果与开源入口,可据此判断免训练预测能否替代现有 XGBoost 流水线。
NVIDIA 发布多变量时间序列预测模型 Kumo Forecast(原 NV-Tesseract Forecasting),基于 MOMENT-1-large 骨干,约 3.4 亿参数编码器加可训练预测头,采用 Apache 2.0 许可。
Mistral 与 NVIDIA 宣布合作开发 AI 原生工程工作流,将 Mistral Large 4 与 NVIDIA CUDA-X、Warp 及 Omniverse 结合,用于加速工程仿真和闭环设计。
NVIDIA 扩展开源 Agent Toolkit,新增 Agent Knowledge Foundation,并整合 CUDA-X 库、Nemotron Retriever 与 Kumo 系列开放模型、OpenShell 安全运行时和 NemoClaw 蓝图。
推荐理由:原文列出了 Agent Toolkit 新增组件与 Palantir、Databricks、Snowflake 等企业的落地方式,可据此判断企业智能体如何接入自有数据。
NVIDIA 扩展机密计算能力,新增 Confidential Bare Metal 部署选项,让前沿模型构建方在第三方专用基础设施上运行敏感负载并保留对模型和数据的控制。
NVIDIA 宣布其欧洲、北欧、非洲和中亚的云伙伴扩大区域算力,用于模型训练与推理,并在 GTC Berlin 发布 NVIDIA OpenShell 参考架构,为 AI 智能体设定可访问范围的边界。
i14 与 AWS 合作,通过 TorchNeuron Native 将线性注意力模型 Laplace 3B 移植到 AWS Trainium2,保留其 GLA 设计与 Muon 优化器。
GPT-OSS-20B 在 50 例多语言推理测试中仅 22% 用目标语言推理(英语 100%、法语 0%、德语 10%、西班牙语 0%、意大利语 0%),团队在 Amazon SageMaker HyperPod 上用 LoRA 结合 SFT 与 GRPO 进行微调。