Databricks 宣佈 Spark Declarative Pipelines Real‑Time Mode 正式可用
導語:Databricks 於 2026 年 10 月 29 日正式釋出 Spark Declarative Pipelines 的 Real‑Time Mode (RTM),允許在毫秒級別處理流式資料,並提供與 SDP 內建功能相同的治理與可靠性。
推薦理由:RTM 以毫秒級延遲處理流式資料,顯著提升即時決策效能,對需要低延遲的業務場景具有重要價值
導語:Databricks 於 2026 年 10 月 29 日正式釋出 Spark Declarative Pipelines 的 Real‑Time Mode (RTM),允許在毫秒級別處理流式資料,並提供與 SDP 內建功能相同的治理與可靠性。
推薦理由:RTM 以毫秒級延遲處理流式資料,顯著提升即時決策效能,對需要低延遲的業務場景具有重要價值
本文示範如何透過 AWS Batch 的配額管理,將多團隊的 GPU 資源動態分配,提升 SageMaker 訓練工作負載的利用率與優先順序。 - 配額管理:允許設定每個團隊/專案的 GPU 配額與資源共享策略。
推薦理由:本文示範如何透過 AWS Batch 的配額管理,將多團隊的 GPU 資源動態分配,提升訓練工作負載的利用率與優先順序。
SkyPilot 平臺透過 NVLink 72 GPU 系統與排程器,讓同一機架的 GPU 可用率提升 27%。 - NVL72 系統:將 72 顆 GPU 連線至同一 NVLink 網格,單個 GPU 的雙向頻寬達 1.8 TB/s,整個機架內部可達 130 TB/s。
Databricks 推出伺服器無狀態計算成本控制功能,讓使用者可透過標籤、許可權與速率限制精準掌握成本。 - 使用量成長:過去一年伺服器無狀態計算使用量已超過 3 倍。
推薦理由:Databricks 釋出新功能,讓平臺團隊能以標籤、許可權與速率限制精準掌控伺服器無狀態計算成本。
Amazon SageMaker AI 現已支援 SOCI 索引容器映像,能在數秒內啟動訓練容器,將 GPU 空閒時間縮短多達 90%。 - 延遲載入:只下載啟動所需檔案,剩餘部分於執行時流式傳輸,避免 10GB 以上映像的長時間拉取。
核心導語:Cartesia 研究團隊在《From Tokens to Bytes: Scaling Hierarchical Networks》一文中,提出並驗證了 H‑Nets 在多模態資料上顯著提升計算效率的設計。
本教學示範如何利用 AWS Ray Train DLC 在 EKS 上無需自行建置容器,即可實現多節點 FSDP 訓練。- 容器:public.ecr.aws/deep-learning-containers/ray:train-ml-cuda-v1.1 已包含 CUDA、NCCL、EFA、OFI NCCL plugin,直接可用。
Survival LLM:在自己電腦上執行的 AI 助手與緊急資料庫 summary_zh: Survival LLM 是一款免費的 AI 助手與緊急資料庫,完全在使用者本機執行,無需網路連線。
Lakehouse Federation 讓您在不搬移資料的情況下,直接在 Databricks 中將本地 SQL Server 與雲端 FactSet 資料結合,完成即時分析與視覺化。
推薦理由:此教學示範如何在不搬移資料的情況下,將本地與雲端第三方資料透過 Lakehouse Federation 直接結合,並在同一查詢中完成分析與視覺化,對需要保護敏感資料的金融機構具有實務參考價值,且可擴充套件至醫療、製造與零售等多種行業,提供一種降低成本、提升合規性與即時分析的解決方案,並可輕鬆整合至現有 Databricks 工作流程,讓使用者能以 SQL 或自然語言即時獲取洞察,進而加速投資決策,並減少資料治理的複雜度,提升整體資料運算效率,並促進跨部門協作。
SOCI 索引容器可將 SageMaker AI 作業的容器下載時間從數分鐘縮短至秒級,並降低成本。 - 下載時間:從 48 秒(1.8 GB)到 7 分 17 秒(35.4 GB)縮減至 3–11 秒,提升約 10–35 倍。
推薦理由:SOCI 索引可將 SageMaker AI 容器啟動時間從分鐘降至秒級,顯著降低成本並提升迭代效率。
睡眠框架:Google Research 提出的新學習範式,讓大型語言模型在部署後可持續學習、整合新知識並避免遺忘。- 長上下文保持:可將短期上下文(10M 令牌)轉化為長期引數,突破傳統 4-8K 上下文限制。
summary_zh: Anthropic 讓三個外部研究機構能獨立使用其隱私保護工具 Anthropic Insights,對 250,000 篇 Claude 交談進行分析,首次公開外部獨立研究 AI 使用情形。
SageMaker SDK v3 以自動化方式支援多機臺電腦視覺模型生命週期,涵蓋訓練、品質門檻、編譯與部署。 - 核心流程:雙分支 Pipeline 分別訓練異常偵測器與缺陷分類器,並以質量門檻(AUROC≥0.8、平衡準確率≥0.6、缺陷召回率≥0.5)篩選模型。
推薦理由:此範例示範如何在 AWS 上以自動化方式管理多機臺的電腦視覺模型,讀者可參考其訓練、品質門檻與編譯流程以提升實務部署效率。
ChatGPT 的工作世界擴張,OpenAI 釋出跨國工作活動資料,涵蓋 165 個工作專案與 100 個國家。\n- 資料範圍:2025 Q1 至 2026 Q3,覆蓋 165 個工作活動,約 100 個國家,供研究者分析 AI 在不同國家工作中的使用差異。
summary_zh: Sebastian Raschka 釋出了八段 11 小時的從零開始建立推理模型的影片課程,示範如何以 PyTorch 重新實作推理模型的評估、推理時間縮放、強化學習與蒸餾等技術。
summary_zh: 作者在 16GB GPU 上微調 Qwen3‑1.7B,訓練其在回答日常提示時不使用字母 e。 - 模型與訓練: - 1.7B 引數的 Qwen3‑1.7B 透過 LoRA adapter 進行 SFT,並以 RL 以評分機制提升答案質量。
本研究發現 AI 生成文本在語法複雜度上顯著高於人類寫作,難以理解。- 研究發現:AI 模型使用更多物件相對子句、長語法依賴與低頻 n-gram。- 比較結果:前沿模型傾向於不活躍主語搭配活躍動詞、堆疊名詞及縮減物件相對子句,對話中更長依賴。
summary_zh: 本日從 Hugging Face 與 arXiv 蒐集 1,469 篇跨領域論文,經篩選後挑出 60 篇具身智慧(Embodied Intelligence)研究。
summary_zh: Alejandro Hernandez Artiles 發表了一篇關於可合乎邏輯但認知上不可得的研究方向,提出一套基於概念單元與可用性模型的探索方法。
Amazon SageMaker 推出 Training Session APIs,讓開發者可在本地寫自訂訓練迴圈,卻仍由雲端 GPU 執行,省去手動配置叢集。
推薦理由:瞭解 Amazon SageMaker 新增的 Training Session APIs,可在本地編寫自訂訓練迴圈,同時享受雲端 GPU 管理與自動擴縮的便利。
Amazon SageMaker AI 推出訓練會話 API,讓開發者可在無伺服器環境下自定模型。 - 功能:支援 SFT、DPO、RL 等訓練流程,開發者可直接寫 Python 迴圈。
ForTy 2020 是 Google DeepMind 與 Google Research 於 2026 年發布的全球 10 米解析度森林型別地圖,將每個 10×10 米地塊劃分為六種森林與土地利用類別。
推薦理由:此研究提供全球10米解析度森林型別地圖,為 EUDR 合規與碳管理提供可操作基準,並揭示自然森林被轉為種植園的隱形變化。
Amazon SageMaker AI 宣佈對 Muse Glimmer、Qwen3.8 27B 以及 Ministral 3 3B、8B 和 14B 模型提供無伺服器模型自訂支援,讓開發者能運用專有資料進行領域微調。
NVIDIA Cosmos 於近日推出一系列新工具與藍圖,旨在加速世界模型的訓練、評估與部署。 - Cosmos Data Factory:提供多模態、跨感官資料標註、增強與評估的雲端原型,支援自動駕駛、工業檢測等多種場景。
推薦理由:NVIDIA Cosmos 透過新工具與藍圖,讓企業可快速生成多模態訓練資料,並大幅縮短自動駕駛測試週期。
導語: NVIDIA 官方部落格報導歐洲金融機構如何利用 NVIDIA GPU 加速開源模型,從 Revolut 的 PRAGMA 到 Stripe 的 Radar,展示了成本與效能的顯著提升。
推薦理由:文章說明歐洲金融機構如何利用 NVIDIA GPU 加速開源模型,展示成本與效能的顯著提升,對類似行業的部署策略具有參考價值。
本文以 Pokémon Showdown 的 2v2 競技模式為基礎,測試 Qwen 系列 LLM 代理在協作、溝通與策略決策上的表現。 - 環境:官方 Pokémon Showdown 模擬器,封裝為 Gym 風格環境,四位玩家控制三隻 Pokémon,兩隊兩隻。
Qwen3 可在 AWS Trainium 上透過 torchtitan 執行訓練,本文提供三種配置方式與完整指令。 - 三種配置:使用 Transformers v5、torchtitan 原生 Qwen3、以及 NKI Mixture‑of‑Experts kernels。
推薦理由:提供完整步驟,示範如何在 AWS Trainium 上使用 torchtitan 執行 Qwen3 訓練,對於工程師具有實務參考價值。
Kumo Relational 是一個預訓練關係型基礎模型,能在不需要任務特定訓練的情況下,直接對企業資料庫進行一次前向推論,預測流失、需求或詐騙等結果。
推薦理由:Kumo Relational 以零訓練即時預測,顯示基礎模型可直接取代傳統 XGBoost,對企業資料科學流程帶來顯著效率提升,並提供可即時部署的開源框架。
Google Research 發布的研究顯示,AI 能夠在低資源環境下利用「盲掃描」超音波準確估算孕周,並與專業超音波師的結果相媲美。 - 準確度:在兩個不同地區(美國芝加哥與肯亞奈洛比)的臨床試驗中,AI 模型的平均絕對誤差(MAE)分別為 4.10 天 和 4.27 天,與專業操作的 4.48 天 相近。
推薦理由:此研究證明 AI 能在低資源環境下以簡易掃描方式準確估算孕周,為全球產科篩檢覆蓋率提升提供可落地方案。
NVIDIA Cloud Partners 在歐洲擴大雲端基礎設施,並推出安全代理架構與開放模型服務。 - Nscale 利用 NVIDIA DSX 平臺,測試中提升 37% GPU 效率與 50% 推理吞吐量。
推薦理由:文章說明 NVIDIA 及合作夥伴如何在歐洲擴大 AI 雲端基礎設施,並提供安全邊界與開放模型,對於想在歐洲部署 AI 代理的開發者與企業具有實務參考價值。
Amazon SageMaker AI 現已支援在無伺服器模型自訂作業中設定自訂序列長度,讓使用者能根據資料特性調整 dataset_max_len、max_prompt_length、max_response_length 等引數。
LabRobotBench v0.1 提供了一套模擬環境,用於測試 AI 代理在濕實驗室機器人故障恢復與實驗執行中的表現。- 評估指標:測量代理在細胞測試、冷藏庫存、劑量反應等場景中能恢復實驗的比例,最高達 46.7%(Codex)或 23.0%(Claude Code)。
DuckDB 2.0.0 是一版以新增功能為主的長期支援版本,支援至少到 2027 年 10 月。它加入非同步讀取 Parquet、CSV 和 DuckDB 自有格式,讓遠端儲存空間的查詢能同時處理更多讀取工作;新的 CONNECT 指令也能連到支援的遠端資料庫,並把查詢直接送到資料庫執行。這版還加入觸發器,可在資料新增或刪除時自動更新統計表,也讓命令列工具能用適合 AI 助理閱讀的方式呈現結果。升級前要留意,舊版 DuckDB 無法讀取由 2.0 建立的資料庫檔案;官方建議先在測試環境確認,再切換正式系統。
推薦理由:DuckDB 2.0 把遠端資料庫連線、非同步讀檔與觸發器等功能放進同一版更新,也列出檔案格式相容限制和升級前的測試建議。
本文示範如何在 Amazon SageMaker HyperPod 上使用 SFT 與 GRPO 微調 GPT‑OSS‑20B,使其在多語言推理任務中的推理語言正確率從 22% 提升至 100%,並在答案語言上提升至 70%。
推薦理由:本篇示範如何在 SageMaker HyperPod 上使用 SFT 與 GRPO 微調 GPT-OSS-20B,並揭示兩種技術的適用場景,對想要提升多語言推理模型的實務團隊具有參考價值。
FairStress 是 AllenAI 發布的一套基準,用於測量 LLM 在不同族群情境下的公平性。它包含 300 個兩人對決的情境,涵蓋 29 個領域,並可擴充套件至超過 13 萬萬個測試案例。
推薦理由:本 benchmark 可幫助模型開發者發現並修正隱性偏差,促進決策公平性
全公司知識圖的構建,透過實驗證明能將代理人回答時間縮短73%,並大幅降低輸入 token 及模型呼叫,顯著提升律所內部資訊檢索效率。 - 關鍵效能:回答時間減少73%,輸入 token 下降92%,模型呼叫減少66%。
**AWS Clean Rooms 現已支援 Databricks 作為資料來源,使用者可直接透過 Delta Sharing 在協作空間查詢 Databricks 表,而不必先將資料搬到 S3。
summary_zh: 巴塞羅那超級計算中心(BSC)透過 AI Factory Accelerator Programme,為西班牙初創企業提供計算資源、培訓,促進跨產業創新。
summary_zh: AI實驗室 HUMXN 以免費管道、電氣、空調、空氣管道清潔及地毯清潔服務換取住宅內可穿戴捕捉技術錄製,收集實際工作資料以訓練 AI 機器人。
GenRecs Tokenization 讓 Meta 以 LLM 驅動的語義詞彙,將廣告、產品、頁面等專案以 token 形式表徵,提升推薦精準度。 - 提升轉換率:與 Meta 的 GEM 與 Adaptive Ranking Model 配合,實驗資料顯示提升 +0.35% 轉換率。