跳到正文

#資料/訓練

RSS
今日 0 則
11月20日週五
  1. Dev.to Top Tech70

    Dettato 用 20M 引數把音樂轉成 MIDI,表現勝過大型開源模型

    把一段音樂錄音轉成 MIDI,要找出每個音符何時開始、何時結束,還要分辨同時響起的不同樂器。獨立開發者做出開源模型 Dettato,用 20M 引數在多項測試中勝過引數量大 65 倍的 MuScriptor;不過在 RWC Classical 測試中,Mirelo A2M v1.1 Pro 的分數較高。作者說,訓練資料沒有使用受著作權保護的錄音。Dettato 輸出的是跟著演奏時間排列的 MIDI 音符,不是可閱讀的樂譜;若要分開樂器或處理少見的打擊樂音色,也要留意它的限制。

  2. aihot73

    騰訊混元 Hy4 正式開源,並發布 System Card

    想試用或自行部署 Hy4 的人,需要先找到模型下載方式,也要了解相關安全評估。騰訊混元宣佈 Hy4 正式開源,可從 GitHub、Hugging Face、ModelScope 和 GitCode 下載部署,並同步發布 Hy4 的安全評估卡片 System Card。官方也表示,混元 LLM 模型已全部開源,未來會持續更新並開源。

    推薦理由:Hy4 開源與安全評估卡片同步發布,讓讀者能直接取得模型,也能檢視官方提供的安全評估內容。

11月19日週四
  1. Dev.to Top Tech60

    Japan Open Data Lab 推出 ja-address-ner-v1,辨識日文地址並避免猜錯行政區程式碼

    日文地址可能寫得不完整,也可能有同名地區;猜錯行政區程式碼,會讓後續資料出問題。Japan Open Data Lab 推出 ja-address-ner-v1,先從文字找出地址並拆成不同部分,再用字典查詢行政區程式碼。無法唯一判定時,工具會回報「未能判定」,不硬猜。在 5,000 筆合成測試資料中,地址辨識的 span F1 為 0.9983;4,814 筆地址中沒有錯誤指派程式碼,但有些可判定的案例會被拒絕。測試資料都是合成地址,作者提醒,真實地址的表現會較低;使用者還要依公開資料自行建立字典。

  2. cloudflare blog78

    Cloudflare 推出更新版 Clairic 和 9B 的 Clairic-flash

    從收據、圖片和 PDF 擷取資料,常會遇到表格難讀、欄位分散在不同頁面的問題。Cloudflare 更新了 Clairic,並推出較小、較快的 9B 模型 Clairic-flash;兩者能讀取最多 4 張圖片或 PDF 頁面,整理供應商、品項和總額等資料,也能處理估算、日期計算與明確的算術。Cloudflare 表示,兩款模型的權重已在 Hugging Face 開放,並可透過 Workers AI 使用。Clairic-flash 每百萬輸入 token 收費 $0.10,Clairic 為 $0.24;到 2026 年 12 月 1 日前,兩者都以每百萬輸入 token $0.10 優惠。文中的比較資料來自 Cloudflare 自行測試,適合用來瞭解其測試結果,不能當成公開基準。

    推薦理由:Clairic 改用新的欄位生成方式,並加入專門處理估算與日期計算的能力;文中也比較了文字、圖片與 PDF 的擷取表現及回應速度。

  3. Dev.to Top Tech76

    Kumo Tabular 評測:NVIDIA 如何讓模型不經訓練就能預測表格資料

    處理表格資料通常得先整理資料、挑模型,再反覆訓練和調整;Kumo Tabular 想省下這些步驟。它把已標記的資料列當成例子,直接預測其他資料列,不必用手上的資料訓練模型。文章提到,Kumo Tabular-L 在八項表格基準測試中排名第一,並在部分測試中比其他表格模型預測得快。它適合快速建立基準,或一次試很多資料集;若是大型、重視低延遲且使用 CPU 的正式服務,XGBoost 和 LightGBM 仍是有力選擇,因為 Kumo Tabular 需要 GPU,記憶體用量也會隨參考資料列增加。

    推薦理由:文章比較 Kumo Tabular 與傳統表格模型的適用情境,說明免訓練推論在快速建立基準與多資料集實驗時的價值。

11月18日週三
  1. Dev.to Top Tech58

    VIDRAFT 的 Darwin-180B 在 Hugging Face 官方排行榜拿下 12 項第一

    模型在排行榜上的名次常被拿來比較,但只看第一名數量,可能看不出它參加了哪些專案。VIDRAFT 盤點 Hugging Face 標有「benchmark:official」的公開資料,截至 2026 年 11 月 17 日,Darwin-180B 參加了 57 個排行榜中的 15 個,15 項都進入前三名,其中 12 項拿下第一。成績涵蓋科學、數學、檔案辨識與法律等領域;部分第一名是多人並列。它沒有參加另外 42 個排行榜,因此這些成績只反映已參賽專案的表現,不能代表所有領域。

11月17日週二
  1. Dev.to Top Tech81

    IFM 公開 K2-Horizon 六款模型及訓練資料,最大款有 375B 引數

    許多開放模型只提供權重,外界很難知道訓練資料怎麼來、模型又是怎麼做出來的。IFM 公開了 K2-Horizon 六款模型的權重、訓練資料、中途檢查點、訓練紀錄和製作資料的流程,也提供訓練與評估用的程式碼。模型從 0.9B 到 375B-A23B,適合不同規模的工作;其中 36B-A4B 使用的啟用引數較少,論文稱它的表現接近用相同資料訓練的 32B 模型。這些效能說法尚未經獨立測試,作者也沒有親自試用;公開資料讓人能研究和微調,但從頭重訓需要大量運算資源。

    推薦理由:K2-Horizon 同時公開權重、訓練資料與製作流程,讓人能檢視模型如何建成,也能比較不同規模的模型。

  2. Dev.to Top Tech82

    Google DeepMind 發布 AlphaGenome 2,找出 DNA 變異影響哪種細胞

    研究人員常知道某段 DNA 和疾病有關,卻不知道它會在哪種細胞裡發揮作用。Google DeepMind 的 AlphaGenome 2 會把 DNA 序列和指定的細胞型別或狀態一起分析,預測基因表現、染色質可及性、剪接等變化,也能用少量單細胞資料推測沒看過的新狀態。在 TenK10K 測試中,它找出的因果變異比前代模型多近一倍;IBD 案例中,模型約 30 分鐘就找出相關變異和腸道巨噬細胞。它目前只開放非商業研究使用,不能取代實驗,也尚未驗證為臨床或診斷工具。

    推薦理由:原文整理 AlphaGenome 2 如何用細胞狀態解讀 DNA 變異,並比較它和前代模型在疾病研究上的實際差異。

  3. NVIDIA Newsroom Press Releases78

    NVIDIA 推出 Nemotron for Science,協助研究人員打造科學用 AI 助理

    研究人員要讓模型處理化學、生物等專門問題,得準備合適的資料,還要確認模型能不能做好。NVIDIA 推出 Nemotron for Science,整合 Nemotron 3.5 Super VL、新的化學資料集和微調配方,讓研究人員能調整模型、打造科學用 AI 助理。資料集 LitmusBench v0.2 收錄近 50,000 個化學問題,可用來訓練和評估模型;研究人員也能讓 AI 助理解讀科學資訊、撰寫程式碼並使用計算工具。Nemotron 3.5 Super VL 和資料集目前已可在 Hugging Face 取得。

    推薦理由:LitmusBench v0.2 同時提供化學推理的評估資料與訓練用途,搭配微調配方,讓研究人員能檢查模型能力並調整模型來處理科學任務。

11月14日週六
11月13日週五
  1. Dev.to Top Tech52

    Kronos 如何以 K 線資料預測價格與成交量

    Kronos 是以金融 K 線資料訓練的開源基礎模型,可預測價格與成交量,並提供 BTC/USDT 未來 24 小時的即時示範。 運作方式:專用 tokenizer 先將 OHLCV K 線資料轉為階層式離散 token,再由自回歸 Transformer 預測未來數值;訓練資料來自 45+ 個交易所。 模型與限制:Kronos-mini 有 4.1 million 個引數與 2,048 的上下文長度;Kronos-small 有 24.7 million 個引數,Kronos-base 有 102.3 million 個引數,兩者上下文長度皆為 512。Kronos-large 有 499.2 million 個引數,但未開源。 使用與風險:專案提供預訓練模型、批次預測與微調範例;文章提醒 Kronos 是研究模型,預測不是買賣建議,回測範例也不是可直接用於實際交易的系統。

11月12日週四
  1. The Decoder78

    Google DeepMind 發布 AlphaGenome 2,將基因組預測細化至單一細胞型別

    Google DeepMind 發布基因組研究模型 AlphaGenome 2,以特定細胞狀態為條件預測基因變異的影響,將分析從多組織概覽轉向單一細胞型別。

    推薦理由:模型以特定細胞狀態作為條件輸入,並在免疫細胞基準與疫苗資料上展示預測結果,呈現基因變異研究從組織尺度轉向細胞型別分析的做法。

11月11日週三
  1. Google DeepMind86

    Google DeepMind 發布 AlphaGenome 2,預測不同人類細胞中的 DNA 變異影響

    Google DeepMind 發布 AlphaGenome 2,可依特定人類細胞型別或狀態,預測 DNA 序列及其變異對基因活動的影響。 - 模型訓練:使用人類與小鼠的 bulk 及單細胞資料訓練,涵蓋超過 1.07 億個細胞剖面與 68 種組織;新增 DNA 甲基化預測。

    推薦理由:AlphaGenome 2 在 TenK10K 資料集的因果變異辨識率由 16% 提升至 30%,可供評估單細胞模型定位疾病相關變異的能力。

11月9日週一
11月8日週日
11月7日週六
  1. MIT News · AI49

    MIT CheMeleon 如何用少量資料預測分子行為

    MIT 團隊開發的開源模型 CheMeleon,能在特定分子性質的可用資料有限時,協助篩選值得進一步合成與測試的分子,並在比較中勝過其他方法。 - 模型與資料:CheMeleon 以 PubChem 中 100 萬種分子的資料預訓練,學習分子結構與約 1,600 項化學描述符之間的關聯;之後可針對溶解度、黏度、生物活性或反應性等性質微調。

  2. O'Reilly Radar64

    本週 AI:進步的代價

    本週 AI 進展揭示投資者對成本與多語言公平的擔憂,提示開發者需同時考量技術與經濟可持續性。 - 模型發布:Google 推出 Gemini 4 Carbon、DeepMind 先行展示 Genie 4 世界模型,Mistral 公佈 1.0 兆引數 Large 4(Le Chonk)權重。

11月6日週五
11月5日週四
  1. Dev.to Top Tech41

    **title_zh:**

    Kimi K3.1 Pro:模型頁面標示 8‑bit,實際檢查為 4.49 bits/引數 summary_zh: Kimi K3.1 Pro 下載檔案大小與引數位深度不一致,實際計算顯示每引數 4.49 bits,雖被平臺標示 8‑bit。

11月4日週三
11月3日週二