Qwen3-4B 去除寫作習慣的模型正式發布
Qwen3-4B 已經被微調成「去除寫作習慣」模型,名為 qwen3-4b-deslop,並可在本地以 Ollama 直接執行。 - 下載檔案:2.5 GB 的 Q4_K_M 量化模型,執行指令 ollama run hf.co/erikkannike/qwen3-4b-deslop-v4-GGUF:Q4_K_M。
Qwen3-4B 已經被微調成「去除寫作習慣」模型,名為 qwen3-4b-deslop,並可在本地以 Ollama 直接執行。 - 下載檔案:2.5 GB 的 Q4_K_M 量化模型,執行指令 ollama run hf.co/erikkannike/qwen3-4b-deslop-v4-GGUF:Q4_K_M。
Clef 是一款 27B 的多模態決策模型,支援文字、JSON 與影像輸入,並可在本機或 Ollama 雲端執行。 - 模型基礎:從 Qwen3.8‑27B 微調,採用 Apache 2.0 授權。
Meta 在即將生效的商業條款中,雖刪除「train」一詞,但仍允許對與商業帳戶相關網站進行廣泛抓取,並可能將抓取內容用於 AI 產品開發。 - 條款變更:刪除「train」字樣,使用範圍限定為「廣告與商業產品」,但抓取權仍廣泛。
本研究釋出一份 2.8 兆 token 的 Indic 語料庫與可重複使用的 GPU 加速資料生成管線,並說明其在 Nemotron 3.5 Super VL 上的效能提升。
推薦理由:提供了可複製的 2.8 兆 token 語料與 GPU 加速生成流程,可幫助研究者構建更強的印度語言模型,並展示其在多項 Indic 評測中的顯著提升。
Timestral 正式推出,首款時序基礎模型,僅 209M 引數即可在 GIFT‑Eval、TIME 及 fev‑bench 上領先同類模型。 - 模型規格:四個版本 5M、28M、123M、209M,引數量分別對應不同精度與速度需求。
推薦理由:Timestral 以 209M 引數在 GIFT‑Eval、TIME 及 fev‑bench 上領先,精度預測能力突出,對部署企業有參考價值。
summary_zh: 機器人訓練的關鍵在於大量正確操作的範例,而目前最常用的資料來源是人類透過遠端操作收集的資料。 - 資料規模:自 2010 年代初起,AI 語言模型訓練資料每六個月翻倍,今日大型模型使用數萬兆 token;GPT‑3 以 300 B token 訓練;2024 年估計可用文本資料約 300 T token,但機器人訓練資料幾乎不存在。
Apertus 1.5 於 2026 年 7 月 24 日在 Hugging Face 以 Apache 2.0 授權釋出,新增跨模態理解、四倍長上下文、思考模式及工具使用最佳化。
推薦理由:Apertus 1.5 以四倍上下文、跨模態能力及思考模式提升推理與工具使用,讀者可評估其在多模態任務與長文本推理中的應用潛力。
北歐國家與 NVIDIA 合作,打造歐洲最具影響力的 AI 生態系,從創業熱潮到基礎設施建設,涵蓋多項實際案例。 - 創業環境:北歐人均超過 $1B 的創業公司,2026 年上半年募資 $2.8B,預計全年達 $5B。
summary_zh: Ultramarine 1 Flash 是一款針對金融、法律、諮詢與運營等專業工作設計的開源模型,且比 Fable 便宜 60 倍。 - token 效率:在六項基準測試中,Ultramarine 1 Flash 產生的 token 數量比基礎模型 GLM-5.3 Flash 少 6.5%,縮短推理路徑。
本指南以 TypeScript 逐步構建 LLM,讓開發者從底層掌握注意力機制與訓練流程,易於在實際專案中實作。 - 核心特性:逐層實現注意力、Transformer、GPT 等。
三模態遮蔽擴散模型首次從零開始訓練,涵蓋文字、影像文字及音訊文字三種模態。研究系統分析了多模態尺度規律、模態混合比例、噪聲時間表、批次大小影響,並提出基於 SDE 的重引數化方法,消除批次大小調整需求。
Pi API Beta 讓開發者能透過雲端上傳資料、微調模型並即時推論,快速為各類機器人實現自主化。 - 核心功能:提供 π 0、π 0.5 等物理智慧基礎模型,支援多種硬體與環境。
導語:本文探討在大模型強化學習中,使用混合精度與混合加速器取樣,並透過離線補正方法實現穩定且成本更低的訓練。 - 混合取樣架構:六種加速器(B200、B300、H100、H200、A100、RTX PRO 6000)各自採用不同精度(FP8、NVFP4、BF16)與核,輸入到單一 BF16 訓練器。
推薦理由:本文展示混合精度、混合加速器取樣能在保持訓練穩定的同時降低成本,提供可擴充套件的 RL 訓練範式。
Unsloth AI 推出可瀏覽、影像生成與加速訓練功能,讓本地模型即時查詢網頁並以 8 步完成影像創作。 - 瀏覽器使用:模型可在聊天框內開啟、閱讀、點選、輸入並滾動,支援本地模型與 API 提供者。
推薦理由:Unsloth AI 推出可瀏覽、影像生成與加速訓練功能,讓本地模型即時查詢網頁並以 8 步完成影像創作,對開發者提升工作流程效率具有實際價值。
Amazon Web Services 團隊發表名為 Priming 的新方法,能以不到傳統預訓練 0.5% 的成本,將預訓練 Transformer 轉換為混合狀態空間模型。
推薦理由:原文提出無需從頭訓練即可將 Transformer 轉換為混合狀態空間模型的 priming 方法,讀者可據此評估如何大幅降低架構探索與訓練成本。
summary_zh: GLM‑Legal 在三項基準測試中,與前沿封閉源模型相當,並在 Harvey LAB 全通過率達 19.2%。 - 全通過率:Harvey LAB 19.2%,比基礎模型提升 12.5%。
導語:AI 企業為何未被起訴? 文章指出,Anthropic、OpenAI、Google、Meta 等大公司在安全測試過程中實際進行了駭入行為,並以「無意圖」為由逃避刑事責任。
自我壓縮語言模型代理(SELFCOMPACT)透過模型自決何時壓縮上下文,提升推理效能並降低 token 成本。 - 核心方法:結合自動召喚的壓縮工具與輕量級評分規則,實現自適應壓縮。
Qwen3-1.7B 可透過限制輸出 token 方式,快速建構決策模型。 - 範例程式:示範使用 transformers 及 torch 讀取 Qwen3-1.7B,並以 option_token_ids 限制輸出至 A–E。
InnovationEval 研究測試大型 AI 模型在端到端自動化研究中的能力,發現目前主流模型在創新發現上仍遠落後於人類研究者。 - 評估方法:以「on‑policy self‑distillation」為基準,要求模型獨立設計並實現超越 GRPO 基線的後訓練技術。
GPU叢集的高影響力排程:Ai2 研究團隊提出以 GPU 時間預算、分層公平共享與時間切片合約為核心的排程系統,提升 GPU 利用率並縮短排隊延遲。 - 系統核心:GPU 時間預算 + 分層公平共享 + 最小執行時間合約,確保工作負載在預算內不被中斷。
TerrainSR 是一款可將 100m 地形高度圖升級至 10m 的模型,速度快至 0.74 秒,適合即時遊戲與模擬。 - 訓練資料:100m → 10m 對,無建築物或人為改造區域,避免產生 artefacts。
Amazon SageMaker HyperPod 提供多租戶 GPU 共享方案,透過 IAM Identity Center、Kubernetes namespace、HyperPod Task Governance 及 Kubecost 進行隔離、資源分配與成本追蹤。
核心導語 本文提出 Byteification 方法,將現有子字元分割的 LLM 轉換為位元組級別運算,僅需 1% 的預訓練成本即可達到與主流 Subword LLM 相近的表現。
Falcon-ASR 於 2026 年正式發布,為 1.6B 引數的阿拉伯語語音辨識模型,專注於阿聯酋方言,並支援英、法、西、葡四語。- 評測成效:在六套阿拉伯語測試集上平均 WER 20.92%,低於最佳公佈 23.17%。
LLM 與資料汙染被武器化以製造共識,本文闡述 AI 如何被用來重塑歷史與社會議題。 - 統計頻率即事實:LLM 以網路上出現頻率為真,易被同步化文章所操縱。
Pyramid‑JiT 是一種無 VAE 的畫素空間文本到影像模型,透過多解析度預測顯著縮減訓練樣本與 GPU 時間。 - 訓練樣本:比 Linum v2 少 11.3 倍,僅 138M。
Amazon SageMaker HyperPod Spaces 現已能透過 SageMaker Studio 直連並管理,開發者可在瀏覽器中即時啟動 JupyterLab 或 Code Editor,省去 CLI 操作。
summary_zh: Amazon SageMaker HyperPod 讓機器學習團隊可使用大型加速計算資源,本文說明如何在 SageMaker Unified Studio 內部管理與治理,確保多團隊共用時仍能維持安全與公平。
PDFM 展示瞭如何將星球級地理空間基礎模型整合進公共衛生工作流程,提升多疾病領域的分析準確度。 - 核心特性:PDFM 以自監督學習將搜尋趨勢、人類流動、建築環境密度與環境指標編碼為位置嵌入,並每月更新。
Dust:使用每個 token 的啟用噪聲進行零階最佳化,形成「虛擬族群」一次前向傳遞即可評估數千個樣本。 - 效能:在 1M 以上 tokens 時,Dust 的計算量比 EGGROLL 等權重空間演化策略高 10^3–10^4 倍。
Beam 是 Reflection 推出的首個 501B 引數、稀疏 MoE 開源權重模型,專為編碼、推理與代理任務設計。 - 引數規模:總 501B,活躍 23B,採用稀疏 MoE 架構。
核心事件:Aleph Alpha 發布 Kolibri,一款擁有 78B 引數、1M 上下文長度的英德雙語 Mixture‑of‑Experts 模型,並以 Apache 2.0 授權公開完整權重,方便企業在本地化與合規環境中部署。
Kolibri 是 Aleph Alpha 於 2026 年 10 月 3 日發布的開源多語言 LLM,擁有 78.1 B 引數,單個 token 只活躍約 3.46 B,支援德語與英語,並可在 1 M token 上下文中執行。
Supabase 在 Select 2026 會議上展示了全新的 code‑first 方式與 Agent 整合,讓開發者能以程式碼管理後端並即時檢測問題。
推薦理由:Supabase 透過 code‑first 與 agent 整合,讓開發者可以程式碼管理後端,並即時檢測問題,提升開發與運維效率。
summary_zh: Google 在 2026 年推出全新的 TEE‑based Federated Learning 系統,透過可信執行環境提供可驗證且可審計的資料匿名化保護,並已被 Gboard 採用,顯著提升計算速度。
AstaBrief 是一款 8B 引數的開源報告生成模型,能在 Asta 平臺以 51.1 秒完成報告,速度比思考模式快 3.5 倍。 - 核心功能:一次性生成完整引用報告,省去逐段生成。
導語:本篇示範如何在 Amazon SageMaker AI 上使用多輪 RL 微調 Qwen3.6‑27B 搜尋代理機器人,顯著提升搜尋品質與可靠度。
AutoSynthData 是 ServiceNow CoreAI 開發的自動化訓練資料生成管道,透過目標模型失敗與教師模型成功來決定下一步學習方向,並產生可驗證的任務。
本文說明如何在 AWS 上使用情境多臂賽局,提升獲客漏斗轉換率,並提供完整程式碼與架構示例。 - 核心成效:在七週 A/B 測試中,部分客群最終漏斗轉換率提升高單位數字,另一客群無提升。
推薦理由:本文說明如何在 AWS 上運用情境多臂賽局提升轉換率,並提供完整程式碼與架構示例,適合想落實個性化推廣的工程師。