跳到正文

#数据/训练

今日 6 条
7月16日周四
7月9日周四
7月7日周二
  1. Berkeley AI Research36

    智能免费之后：面向智能体、由智能体构建的数据系统

    伯克利 EPIC Data Lab 提出，随着推理成本从 2023 年初 GPT-4 级约 $30/百万 token 降至如今不足 $1、部分厂商低于 $0.10，数据系统需应对三大新挑战：为智能体设计的数据系统、运行智能体集群的数据系统、以及由智能体合成的数据系统。在 text-to-SQL 基准上，多智能体尝试同一任务时仅 10-20% 子计划不同，80-90% 子查询存在重复计算。

  2. Hugging Face Blog60

    LeRobot v0.6.0 发布：世界模型策略、奖励模型 API 与六个仿真基准

    LeRobot v0.6.0 发布，围绕机器人学习闭环引入世界模型策略（VLA-JEPA、FastWAM、LingBot-VA）、新一批 VLA（GR00T N1.7、MolmoAct2、EO-1、EVO1、Multitask DiT）以及统一奖励模型 API（Robometer、TOPReward）。

    推荐理由：LeRobot v0.6.0 把世界模型策略、奖励模型 API 与六个仿真基准整合进同一套开源工作流，读者可据此判断机器人学习闭环的落地路径。

7月6日周一
  1. Hugging Face Blog22

    PRX Part 4：Hugging Face 的数据策略

    Hugging Face 在 PRX 系列第四篇中披露其数据策略：预训练数据由公开与内部数据集混合组成，用 VLM 重新生成图像长描述，再转为可流式训练的语料。团队将文本编码器从 T5Gemma 换成 Qwen3-VL 并改为训练时实时计算文本 latent，实测吞吐损失约 3–4%（30 天训练约多 1 天）。图像统一以 JPEG quality 92 编码，实测首次重编码几乎不可察觉。

7月1日周三
  1. Berkeley AI Research12

    2026 届 BAIR 博士毕业展示：从机器人到 LLM 推理的 AI 研究全景

    伯克利人工智能研究实验室（BAIR）公布 2026 届博士毕业生名单，研究方向覆盖机器人、具身智能、大语言模型与推理、计算机视觉、生成模型、AI 安全、人机交互及 AI for Science 与医疗。毕业生去向包括 Physical Intelligence、OpenAI、Mistral AI、Amazon 等机构，以及 UCLA、芝加哥大学教职和自主创业。

6月30日周二
  2. Google Research71

    Google 发布 TabFM：面向表格数据的零样本基础模型

    Google 发布 TabFM，一个面向表格数据分类与回归的零样本基础模型，将表格预测重构为上下文学习问题，无需手动训练、超参数调优和特征工程，单次前向传播即可对未见过的表格生成预测。

    推荐理由：原文给出 TabFM 的零样本表格预测机制与 TabArena 基准表现，读者可据此判断它能否替代传统树模型工作流。

6月29日周一
6月25日周四
  1. Google Research27

    Google 用线性弹性缓存优化云成本，Spanner 内存用量降 15.5%

    Google Research 提出线性弹性缓存，将页面淘汰建模为滑雪租赁问题，用轻量机器学习动态调整缓存大小，在 Spanner 生产环境实测内存用量降低 15.5%、缓存未命中仅增加 5.5%、TCO 降低约 5%。该方案用浅层决策树为每个页面预测 TTL，缓存写满时仍由 LRU 兜底，并在多个公开缓存 trace 上与 GDSF 基线对比验证。

6月19日周五
  1. Hugging Face Blog41

    MosaicLeaks：你的研究智能体能守住秘密吗？

    Hugging Face 博客提出 MosaicLeaks，用 1,001 条多跳研究链测试深度研究智能体的隐私泄漏，这些链交替穿插本地企业文档与公开网页信息。测试中智能体频繁泄漏隐私，仅针对任务表现训练会加剧泄漏；其提出的 PA-DR 强化学习方法将严格链成功率从 48.7% 提升至 58.7%，同时把答案/全信息泄漏率从 34.0% 降至 9.9%。

6月18日周四
6月17日周三
6月8日周一
  1. Google DeepMind62

    Google DeepMind 在塞拉利昂开展 AI 学习试验，数学成绩提升 0.258 个标准差

    Google DeepMind 公布在塞拉利昂开展的预注册试验结果，使用 Guided Learning 的学生数学成绩比对照组提升 0.258 个标准差，约相当于八周内取得 1.2 至 1.7 年的常规学习进度。

    推荐理由：原文给出塞拉利昂预注册试验的量化结果与交互数据，读者可据此了解AI辅助教学的实际效果与局限。

6月4日周四
  1. Google Research50

    Google 开源洪水预报水文建模框架

    Google Research 在 GitHub 开源其水文建模框架，让各国气象水文机构可将 AI 洪水预报集成进自身工作流。该框架为基于 PyTorch 的 Python 包，采用 LSTM 架构，训练流程使用开源 Caravan 数据集，并已与捷克水文气象研究所（CHMI）合作验证。新版模型相较 2024 年基准版本，在有测站流域将可靠预测期延长 6 天，无测站流域延长 1 天。

6月3日周三
  1. OpenAI News60

    OpenAI 为 GPT-Rosalind 推出新能力

    OpenAI 为 GPT-Rosalind 推出新能力，面向生命科学研究，增强生物推理、药物化学专长、基因组分析与实验工作流能力。

    推荐理由：OpenAI 公布 GPT-Rosalind 在生物推理、药物化学与基因组分析上的能力扩展，读者可据此了解该模型在生命科学场景的定位。

6月1日周一
  1. Import AI32

    Import AI 459：AI 监管为何困难、蛋白质折叠模型的缩放定律、以及为 AI 系统灭绝风险定价

    Import AI 459 讨论了 AI 经济的爆炸式增长与 GDP 统计的脱节、用 AI 监督 AI 的自动化对齐为何比想象中更难、蛋白质折叠模型的缩放定律，以及为 AI 系统灭绝风险定价。其中一项研究估算 2025 年美国 AI 名义 GDP 约 2500 亿美元，质量调整后实际年增速约 2600%。

5月29日周五
5月27日周三
  1. Hugging Face Blog66

    Hugging Face 在 TRL 中实现增量权重同步，异步 RL 每步传输量降至 20-35MB

    Hugging Face 在 TRL 中落地了增量权重同步（Delta Weight Sync）：只把两次 RL 优化步之间真正变化的 bf16 权重编码成稀疏 safetensors 文件，上传到 Hugging Face Bucket，再由 vLLM 拉取应用。

    推荐理由：TRL 的稀疏增量权重同步把异步 RL 每步传输量压到原来的百分之几，读者可据此判断跨集群训练的成本边界。

5月20日周三
  2. Google Research71

    Google 在 Nature 发表 ERA：用 Gemini 编写科学代码并开放 Computational Discovery

    Google 在 Nature 发表论文介绍 Empirical Research Assistance（ERA），这是一个用 Gemini 编写和优化科学代码的研究工具，通过树搜索在数千种方案中迭代优化代码。

    推荐理由：Google 用 Gemini 驱动的 ERA 在 Nature 发表，并给出流行病、径流、CO2 等八篇应用结果，可看科研编码自动化的边界。

5月19日周二
5月18日周一
5月17日周日
5月16日周六
  1. Google DeepMind38

    剑桥大学教授用 Google Co-Scientist 寻找跨物种传播疾病的分子开关

    剑桥大学 Clare Bryant 教授使用 Google Co-Scientist 研究流感等病原体跨物种传播时引发败血症等重症的分子开关。Co-Scientist 生成并排序了一批假说，其中优先标记出一个她此前未关注的蛋白，并将其细化到具体氨基酸位点。Bryant 团队正构建含氨基酸突变的细胞系验证假说，原本需两到三年的实验工作有望在六个月内完成。

  4. Google DeepMind40

    Google Co-Scientist 助力发现抗肝纤维化老药新用

    Stanford 遗传学家 Gary Peltz 用 Google Co-Scientist 筛选可重定位治疗肝纤维化的现有药物，其提出的 3 个候选中有 2 个在活体人类肝细胞测试中阻断纤维化并促进肝细胞再生，而 Peltz 自己挑选的 2 个药物均无效。表现最突出的是抗癌药 vorinostat，阻断了 91% 可驱动肝瘢痕形成的损伤反应。相关研究已发表于 Advanced Science。

5月12日周二
5月8日周五
  1. Berkeley AI Research31

    自适应并行推理：高效推理扩展的新范式

    伯克利 AI 研究团队梳理了并行推理领域进展，重点分析自适应并行推理——让模型自行决定何时分解并并行化独立子任务、生成多少并发线程以及如何协调。现有方法如 Self-consistency、Best-of-N、Tree of Thoughts、MCTS、ParaThinker、GroupThink、Hogwild! Inference 的并行结构多由外部设定，而非模型自主选择。