Jump Trading 如何用 ChatGPT 扩展量化研究
Jump Trading 借助 OpenAI 扩展量化研究,通过运行时间更长的 AI 工作流整合多个数据源,并结合人工审核。
Jump Trading 借助 OpenAI 扩展量化研究,通过运行时间更长的 AI 工作流整合多个数据源,并结合人工审核。
Microsoft 的 Jennifer Neville 在 Microsoft Research Podcast 中讨论评测如何推动 AI 系统突破传统 benchmark 的性能边界,以及模型在超出常规测试时出现的“意外失败”。她结合自身从数学、物理、认知科学到计算机科学的经历,分享与当前 AI 系统协作的实用建议,并强调当结果偏离预期时应仔细审视数据。
Mistral 发布 Mistral Large 4 预览版,这是一个 1 万亿参数、490 亿激活参数的模型,使用自有 3800 块 NVIDIA Grace Blackwell GPU 集群训练。
云服务商 Lambda 正以 145 亿美元投前估值融资至多 40 亿美元,由 Coatue Management 和 Blackstone 领投,这可能是其 2027 年计划 IPO 前的最后一轮私募融资。
Parseable 是一个新的可观测性平台,提供 AGPL 开源的 Rust 实现(单个约 180MB 二进制文件)、企业版和云托管选项。Datasette 1.0a41 新增 OpenTelemetry 支持后,作者用 Codex 摸索出运行 Parseable 并接收 Datasette traces 的方法,并在 Parseable 本地 Web 应用中查看 Datasette trace。
旧金山初创公司 Mirror Particle 正在从零构建一个模拟人类行为及其变化原因的基础模型,认为依赖 LLM 角色扮演预测人类行为的方式根本行不通。该模型结合客户数据、时事、流行文化和社交媒体等专有数据,聚焦“真实行为”而非问卷自述,并为品牌提供预测背后的动机与约束。公司已完成天使轮融资,接近完成首轮风险投资,并将于下周参加 TechCrunch Startup Battlefield。
针对多团队共享 Amazon SageMaker HyperPod 集群的治理难题,AWS 提出组织、项目、集群、工作负载四层控制模型,并说明如何通过 SageMaker Unified Studio 将已批准的 HyperPod 集群接入项目,同时保留底层 IAM、Amazon EKS 与 Slurm 控制。
阿联酋 TII 发布 Falcon-Emirati-7B,一个基于 Falcon-H1-Arabic 的方言专用模型,专注理解与生成阿联酋阿拉伯语。该模型采用 Falcon-H1 混合架构(Mamba 与 Transformer 注意力并行),训练数据来自阿联酋方言网页、关于阿联酋文化的 MSA 语料,以及受词汇表和风格规则约束的合成数据。
Google Research 用 Google Earth AI 的 Population Dynamics Foundation Model(PDFM)作为概念验证,展示行星级地理空间基础模型可直接嵌入现有流行病学工作流。
法国 AI 实验室 Mistral AI 发布 Mistral Large 4(昵称 Le Chonk),一个 1 万亿参数的大规模多模态模型,目前仅通过带护栏的公开端点访问,计划在三周后完成安全测试再开放权重。
据 Bloomberg 报道,DeepSeek 接近完成至少 120 亿美元的新一轮融资,最初目标约 75 亿美元、估值约 750 亿美元,知情人士称总额可能接近 150 亿美元,宁德时代与腾讯出资份额最大。
推荐理由:梳理 DeepSeek 新一轮融资的规模、投资方与 IPO 计划,可了解其资金与算力布局走向。
PhAI Labs 联合 Stanford、Oxford、Princeton 提出 JEPA-Anything,把预测状态拆成四个正交因子分别由独立预测模块处理,再重组为完整世界状态,在物理、机器人、天气等十个任务上超过同架构标准 JEPA。
Reflection 发布 Beam,一个总参数 501B、激活 23B 的 MoE 文本模型,面向编码、智能体与科研任务,从零训练,Apache 2.0 全量权重预计本月发布。
Reflection AI 发布首款前沿开源权重模型 Beam,称其在高级推理基准上追平 Z.ai 的 GLM-5.2,且推理算力消耗少 3-4 倍。Beam 为文本 MoE 模型,总参数 5010 亿、激活 230 亿,预训练 23.8 万亿 token,上下文窗口 100 万 token。公司称本月将公开权重与完整技术细节,并通过超大规模云厂商和 neocloud 分发。
企业 AI 的焦点已从预测模型能否超越统计预测,转向如何让预测系统在不偏离业务意图的前提下自主行动。深度学习和生成式 AI 驱动的智能分析支持实时训练,使 AI 持续演进而无需等待季度刷新,其数据来源也从规整的数值记录扩展到非结构化交互数据。Everest Group 合伙人 Vishal Gupta 认为,"分析"一词正让位于 AI。
MIT Technology Review 对 300 名数据与 AI 高管的调研显示,企业平均仅 34% 的智能体 AI 项目能进入生产环境,数据与知识薄弱是主要失败点。生产领先者(平均 61% 项目过试点)在语义知识能力上更强,55% 的受访者将数据碎片化列为扩展智能体知识访问的首要挑战。企业计划优先投资摄取管道、AI-ready API、RAG 与知识图谱来打通数据与智能体。
Aleph Alpha 发布德英双语模型 Kolibri,总参数 78B,采用 MoE 架构,每 token 约激活 3B 参数。该模型在德语基准上得分 71%,解码速度快于 GPT OSS A5B、Qwen 3.6 A3B 和 Gemma 4 A4B 等对比模型,训练数据中德语占 21.3%,并使用中文模型生成合成训练数据。
Google 研究者提出 RRSI(Regularized Recursive Self-Improvement of Agent Harnesses),用于在语言模型反复改写智能体 harness 的自我优化循环中防止其记住测试任务。
NASA 与 IBM Research 联合多家学术机构发布 NASA-IBM Lunar Foundation Model,称其为最早的开源月球科学基础模型之一。
AWS CEO Matt Garman 表示,Amazon 在与政府机构合作建设数据中心项目时已不再使用保密协议(NDA)。他同时反驳了数据中心耗水过多、推高电价、污染严重、对社区无益这四种说法,并称过去三年 Amazon 已向有数据中心布局的美国社区投入超 10 亿美元。目前全美有 100 多项数据中心禁令正在被考虑,纽约已宣布大型数据中心许可暂停一年。
Capcom 在 Capcom Open Conference RE: 2026 上表示,将把 AI 技术整合进开发工作流,逐步把 RE Engine 改造为“AI 生成游戏引擎”,目标是迈向“与 AI 共同创作游戏”的未来。
哈佛大学物理学家 Matthew Schwartz 在 Anthropic 客座文章中介绍开源工具 BootLoops,该工具用于精确科学计算,源代码已在 GitHub 发布。
Amazon 提出 10 亿美元计划以应对数据中心引发的社区反对,但该计划本身招致更多批评。外界一方面肯定其终止保密协议(NDA)的做法,另一方面批评其淡化数据中心的污染问题。
Napster 联合创始人 Sean Parker 正把 Stability AI 重塑为面向音乐专业人士的 AI 工具厂商。两年前他参与了对这家濒临崩溃的图像生成初创公司的 8000 万美元救助,如今与出任 CEO 的好友 Prem Akkaraju 一同公布新方向。
Ai2 开源 AstaBrief 8B,一个把研究问题和检索到的文献片段转成带引用报告的模型,已在 Asta 的 Generate a report 功能中作为 Fast 模式上线,同时开放模型权重和训练数据。
推荐理由:Ai2 公开了 AstaBrief 的训练数据构造、引用过滤与评测细节,可了解小模型做科研报告生成的取舍。
Google Research 发布新一代联邦学习系统,利用 TEE 提供可外部验证的隐私保证,并将计算转移到服务器端以提升训练速度、精度和设备覆盖。该系统通过公开透明日志 Rekor 发布访问策略,KMS 仅向匹配策略的 TEE 工作负载发放解密密钥,训练数据只能在 TEE 内解密处理。Gboard 已采用新系统,计算速度较此前联邦学习系统大幅提升。
MIT Technology Review 报告指出,企业 AI 正从工具转向“智能体式转变”的运营模式,2026 年全球 AI 投资预计达 2.5 万亿美元,同比增长 44%。报告认为企业 AI 的扩展瓶颈是结构性的,流程优先的公司正在领先,而多数企业仍未靠 AI 实现收入增长。关键路径是重建数据基础设施、采用可组合架构,并解决 AI 主权问题。
Blackstone N1 全球负责人 Jas Khaira 将在 TechCrunch Disrupt 2026 的 Builders Stage 发表"Building the Next Generation of AI Giants"演讲,分享 Blackstone 投资 AI 公司的标准与创始人应如何规划资本。
亚马逊在 Amazon SageMaker AI 上推出多轮强化学习(MTRL)能力,用于微调搜索智能体,并以 Qwen3.6-27B 为例完成训练。MTRL 将智能体任务建模为多轮决策序列,通过多轮 rollout 生成数据并用策略梯度优化,支持 PPO、CISPO、IS 损失与 GRPO 等优势估计器。
NVIDIA 宣布本月推出 DGX Spark 64GB 统一内存版本,由 Acer、ASUS、Dell、Gigabyte、HP 和 MSI 等厂商发售,10 月 23 日上市,起售价 4999 美元。
推荐理由:原文给出 64GB 新配置的定价、上市时间与双机集群实测数据,可据此判断本地跑大模型的硬件门槛。
微软正把“仿生学”设计推广到其数据中心,通过增加花园和本地树木、投资生态修复,让设施“融入自然景观”,以缓解社区对施工砍树、噪音和光污染的反对。微软称已在荷兰一处数据中心试点,并计划将“自然启发方案”带到美国与德国 20 多个站点,所有美国新项目也将采用。其在圣安东尼奥曾为建数据中心砍伐超 2600 棵树,引发当地争议。
Ramp 经济学家 Ara Kharazian 发布的 Ramp AI Index 显示,美国企业 AI 支出自 7 月见顶后持续下降,而使用量自 7 月以来增长约 50%,并在 9 月底创下新高。
ServiceNow CoreAI 构建了 AutoSynthData,利用目标模型的失败案例与更强教师的成功经验定位能力缺口,再生成并验证新任务用于后训练,课程随模型进步动态调整。该流程在 EnterpriseOps Gym 上做了演示,任务由系统规范、用户提示词和验证器三部分组成,需满足可行性、真实性与难度要求。
Ai2 发布 Olmo-core 3,这是其大语言模型开发框架的一次重大升级,重新设计了开源 MoE 训练系统,目标是把 MoE 训练扩展到万亿参数级别并保持计算效率。
推荐理由:原文给出 MoE 训练栈的吞吐与显存对比数据,可据此判断大规模 MoE 训练的开源方案现状。
Amazon Payments 在 Amazon SageMaker AI 上用多目标上下文多臂老虎机(LinUCB)为产品获客漏斗做个性化内容选择,七周在线 A/B 测试中,一个人群组的最终漏斗转化率取得高个位数相对提升,另一人群组则无改善。团队按申请开始、提交、审批三个阶段各跑一个 LinUCB 模型并线性组合其 UCB 分数,以缓解单阶段优化带来的此消彼长问题。
uniopen 通过 Amazon SageMaker AI 对 Amazon Nova 2 Lite 进行监督微调,并做提示词层面的输出优化,使其适配自身零售审核策略。
NVIDIA 提出 AI 工厂投资回报由三要素决定:每兆瓦产出能力、硬件使用寿命和 token 需求。SemiAnalysis AgentX 数据显示,Vera Rubin NVL72 每兆瓦吞吐量比 GB300 NVL72 高 30 倍以上,在 DeepSeek V4 Pro 上每百万 token 成本低至 45 倍。
NVIDIA 第 26 届研究生奖学金项目面向全球开放申请,聚焦 AI、机器学习、自动驾驶、计算机图形、机器人、医疗和高性能计算等领域,每位学生最高可获 6 万美元。
微软研究院实习生构建了一套端到端机器学习流水线,利用 L1 太阳风观测与 AE、Dst 指数预测,为美国本土 66,935 座变电站生成 30-60 分钟前的局地空间天气风险估计。
CoreWeave 宣布 NVIDIA Vera Rubin NVL72 系统与 Spectrum-X 102.4T 以太网在 CoreWeave Cloud 上可用,Cognition 成为首个在生产负载上运行该系统的客户。
推荐理由:CoreWeave 上线 Vera Rubin NVL72 并公布 Devin 实测吞吐数据,可据此判断智能体编码负载的算力成本走向。