跳到正文

全部动态

今日 4 条
10月29日周四
  1. Google DeepMind84

    Google DeepMind 发布 Gemini 4 Carbon 前沿模型

    Google DeepMind 发布 Gemini 4 Carbon,称其在网络安全与长程任务能力上达到 SOTA,在 Artificial Analysis Intelligence Index v5.0 上以 59 分排名第一。

    推荐理由:原文列出 Carbon 在网络安全与长程编码基准上的具体分数和定价,可对照两周前发布的 Argon 看能力推进节奏。

  2. Hugging Face Blog71

    NVIDIA 发布 Nemotron 3.5 Transcribe 与 Granary v2 数据管线

    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。

10月28日周三
  1. Hugging Face Blog76

    LiquidAI 发布 LFM3 系列:六个 2B 级多模态模型共享同一骨干

    LiquidAI 发布 LFM3 新一代 Liquid Foundation Models,六个 2B 级模型(文本、视觉、音频、omni 及两个 d1 决策模型)全部从 LFM3-1.7B-Base 分支而来,覆盖文本、图像、视频和音频输入。

    推荐理由:LiquidAI 公布了 LFM3 的架构改动与六个 2B 级模型的实测对比,可据此判断端侧多模态选型。

  2. AWS Machine Learning Blog34

    Exowatt 用 SageMaker 无服务器模型定制,精度超越前沿模型且成本低至 1/49

    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。

  3. AWS Machine Learning Blog40

    Property Finder 如何修正评估偏差,在 Amazon Bedrock 上选出更优模型

    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%。

  4. Google DeepMind87

    Google DeepMind 发布世界模型 Genie 4

    Google DeepMind 发布世界模型 Genie 4,可实时生成带原生音频的可交互模拟世界,支持用自然语言实时修改天气、镜头和人物。Genie 4 首次在实时世界模型中原生生成音频,包括环境音与可随输入变化的角色对话,并借助 Gemini 模型维持模拟的连贯性。

    推荐理由:读者可了解 Genie 4 在实时世界模拟中加入原生音频与人物交互的能力边界,以及它与 Gemini 模型协同完成多步任务的方式。

10月27日周二
  1. AWS Machine Learning Blog51

    Amazon Bedrock 上 OpenAI 模型的提示词缓存模式:为 AI 智能体降低重复上下文成本

    AWS 博客介绍在 Amazon Bedrock 上调用 OpenAI 模型时,如何用隐式与显式提示词缓存减少智能体每轮重复发送的工具、指令和历史。可缓存前缀需至少 1,024 tokens,缓存 TTL 至少 30 分钟,缓存写入按正常输入价格的 1.25 倍计费。在六轮测试中,GPT-6 Astra 的隐式缓存使输入成本降低约 62%,显式滚动断点降低约 61%。

10月26日周一
10月24日周六
  1. Hugging Face Blog36

    LitPivot:用动态文献情境化辅助科研选题

    Ai2 与宾夕法尼亚大学合作开发了 LitPivot,一个基于 Asta Paper Finder 检索论文、按问题/贡献/评估三个维度组织文献并给出带原文摘录的批评与修改建议的研究构思系统。在 17 名研究者的实验中,领域专家认为用 LitPivot 形成的想法比用文本编辑器加 AI 聊天工具的想法更有文献依据,参与者自评其想法更新颖、更有用。该系统将在 UIST 2026 展示。

  2. AWS Machine Learning Blog58

    AWS 发布 SageMaker AI 多轮强化学习实操指南

    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。