跳到正文

#資料/訓練

RSS
今日 0 則
11月20日週五
  1. Databricks Blog79

    Databricks 推出涵蓋 70 個產業的互動式參考架構

    規劃資料平臺時,通用架構圖常說不清各產業實際會用哪些系統和資料。Databricks 推出涵蓋 70 個產業的互動式架構圖,整理各行業的資料來源、格式、團隊和應用,也能切換雲端與檢查不同地區的產品供應狀況及發布階段。每張圖都能檢視說明、複製修改,或匯出成多種格式;如果要從業務描述開始,也可用 AI Architecture Assistant 找出接近的產業架構再編輯。這些圖適合作為規劃起點,仍要依各公司的系統和需求調整。

    推薦理由:這套架構把各產業常見的資料來源、團隊與應用放在同一張可編輯的圖上,也能查不同雲端和地區的產品供應情況。

  2. Databricks Blog78

    Databricks 測試 Genie One:集中管理業務定義,讓不同團隊得到一致答案

    同一個「損失率」可能因部門採用的演算法不同,出現方向相反但都正確的答案。Databricks 用虛構的保險公司測試 Genie One,結果顯示,只有團隊各自整理的 AI 助理時,整體答對率是 83%;再加入集中管理的計算方式與業務說明後,兩次測試達到 93% 到 95%。這些資料讓 Genie One 知道每個部門採用哪種定義,也讓直接回答或轉交 AI 助理時都能找到一致的演算法。團隊檔案仍要靠 AI 助理提供,因此兩者搭配才能同時處理定義和檔案問題。

    推薦理由:這項測試呈現各部門對同一指標各有合理定義時,集中管理計算方式與業務說明如何提升 Genie One 的答題一致性。

  3. Databricks Blog76

    Databricks 推出 Genie ZeroOps 公開測試版,自動找出資料管線問題並提出修正

    資料管線出錯時,工程師常得花好幾個小時翻查紀錄和相關資料,安靜發生的問題還可能拖到報表出錯才被發現。Databricks 的 Genie ZeroOps 現已開放公開測試版,會監看管線、查詢可能原因、在安全環境測試修正方式,再通知團隊;對使用 Git 的工作流程,也能建立附上問題資訊的 PR。它不會未經人員同意就更動程式碼或正式資料。Databricks 表示,私下測試期間觀察了超過 80,000 起客戶問題,發現超過一半需要了解各公司的做事方式,因此新增自訂指示等功能,協助團隊依自己的流程判斷問題。

    推薦理由:這次公開測試讓團隊可從告警、查詢原因一路看到修正提案,並依 80,000 多起客戶問題說明自訂公司知識對判斷的重要性。

  4. Databricks Blog54

    Databricks 說明合作夥伴如何用 Genie 免費額度在 Azure Databricks 推廣 AI

    企業想讓更多員工使用 AI,常會擔心人數增加後費用難以掌握。Databricks 說明,Azure Databricks 每位使用者每月有 $10 的 Genie 免費額度,並可設定預算門檻,超額使用時發出提醒或擋下新請求。Genie One 和 Genie Agents 對使用者免費至 2027 年 1 月 31 日;之後每月 $10 額度會由三種 Genie 服務共用。預算追蹤接近即時,但只是估算,實際費用可能略高或略低,進行中的請求也會完成;SQL 倉儲運算費另計。文章也介紹 Genie 如何連線 Microsoft Teams、Microsoft 365 Copilot、Excel 和 Copilot Studio,並沿用 Unity Catalog 的資料存取許可權。

  5. Databricks Blog71

    Databricks Genie Code 可一次把整個資料夾的 Tableau 和 Power BI 報表搬到 AI/BI

    把多年累積的 Tableau 或 Power BI 報表逐份搬家,可能得花上好幾個月。Databricks 現在讓 Genie Code 一次處理整個資料夾:先把報表放進 Unity Catalog volume,再從草稿儀錶板執行 /importBI,選好目錄和資料表綱要後,系統就會在背景逐份轉成 AI/BI 儀錶板。每份報表都有進度可追蹤,也能個別檢查和修改。完成不代表數字一定相同;切換使用者前,仍要比對原報表的數字、篩選條件和圖表。

    推薦理由:Databricks 說明如何把整個資料夾的 Tableau 或 Power BI 報表一次匯入 AI/BI,也提醒遷移後要逐份核對數字與篩選條件。

11月19日週四
  1. LangChain Blog57

    LangSmith 推出 Data Annotation Queues,方便檢查紀錄並整理資料集

    大型語言模型應用一開始不一定有自己的資料集,想找出回答問題的地方也不容易。LangSmith 推出 Data Annotation Queues,讓團隊先從紀錄中挑出想檢查的案例,再標記答案好壞、加上分類,或整理進資料集。加入資料集前也能修改案例內容;暫時不想處理的案例可以移到佇列後面,完成檢查後則可標記為已完成。文章也介紹開源套件 langfree,可用來整理 LangSmith 紀錄中的 ChatOpenAI 執行資料,供微調和評估使用。

  2. AWS Machine Learning Blog72

    AWS 說明如何在 SageMaker AI 使用完整微調

    微調大型語言模型時,只更新一小部分引數的 LoRA 較省資源,但遇到複雜任務和大量資料時,表現可能停在一定程度。AWS 在 SageMaker AI 的無伺服器模型自訂服務加入完整微調(FFT),並用 Qwen3-4B 和 110,000 組程式生成資料比較兩種方法。實驗中,FFT 在部分指標上表現較好,但結果也很受學習率、訓練回合數等設定影響;設定太激進時,模型可能失去一般知識,甚至在數學測試中退步。文章提供實驗結果與引數調整方向,協助判斷何時適合使用 FFT。

    推薦理由:文章以程式碼生成實驗比較 FFT 與 LoRA,並說明資料量和超引數如何影響模型表現與一般知識保留。

  3. 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。

  4. Databricks Blog74

    Databricks 推出 Genie Migrate,協助把工作搬到 Serverless

    把工作從 classic 搬到 Serverless,常得逐一處理設定、套件和程式碼問題,原本簡單的切換可能拖上好幾週。Databricks 推出 Beta 版 Genie Migrate for Serverless,會先掃描工作,標出哪些適合搬、哪些需要管理員處理,再把需要修改的地方列成差異畫面,讓人逐項審核後才套用。套用時會先複製工作,原本的工作保持不變,方便先跑一次確認;目前檢查只看設定和相依套件,不會實際執行工作。批次搬遷目前支援工作,筆記本支援尚未推出。

    推薦理由:Genie Migrate 把搬遷檢查與修改整理成可逐項審核的流程,也說明目前只做靜態檢查,適合評估匯入前的風險與人工作業。

  5. Modal Engineering Blog56

    Miguel Novelo 用 Modal 打造瑪雅文字研究工具

    瑪雅文字刻在石頭上的深度和形狀,可能藏著平面照片看不出的線索,但逐件手工做成 3D 模型要花不少時間。藝術家兼史丹佛講師 Miguel Novelo 用 Modal 建立流程,把 2D 瑪雅文字影像轉成 3D 模型;他從約 100 個音節符號開始,也把展場觀眾畫下的圖形納入流程。研究者可以旋轉模型、改變照明,仔細檢視雕刻。Novelo 希望日後用更多 3D 雕刻資料訓練專用模型,找出文字形狀與語言之間的關係;他也強調,研究需要結合瑪雅社群的知識與學者的共同解讀。

  6. Meta Engineering76

    Meta 用標準模型模板,把廣告排序模型改進推廣到整個系統

    Meta 的廣告排序模型種類很多,逐一套用新方法既耗時,也容易在不同模型上出現問題。Meta 用標準模型模板整理出一小組可重複使用的模型設計,先在有代表性的模型上測試新方法,再把通過檢查的改動加入模板,推廣給使用這些模板的模型。Meta 表示,這套做法讓每個模型所需的工程時間減少 92%,兩年來推出超過 5000 種技術與模型組合,離線模型品質平均提升 0.63%,線上成效累計提升 0.86%。模板也讓 AI 助理有較明確的設計範圍,可協助提出想法、進行實驗和找出問題。

    推薦理由:Meta 說明標準模型模板如何把逐一調整模型的工作,改成在代表性模型上驗證後推廣,並分享兩年來的工程時間與模型成效變化。

  7. Databricks Blog68

    Databricks 推出 Unity Gateway Insights,找出 AI 助理浪費 token 的地方

    團隊想降低 AI 成本時,除了調整預算,也可以檢查 AI 助理每次工作的紀錄。Databricks 推出 Unity Gateway Insights,會分析工作紀錄和公司的業務資料,找出 MCP 工具反覆出錯、簡單工作用了昂貴模型,以及值得整理成共用技能的重複流程。每個發現都能連到相關工作紀錄,也會依浪費的 token 成本排序;團隊還能加入自己的問題,檢視哪些流程值得改善。Databricks 表示,他們曾從 7 個 MCP 小錯誤中估計出每年 $1.2M 的浪費。

    推薦理由:Databricks 說明 Insights 如何從 AI 助理的工作紀錄找出重複錯誤與模型使用浪費,並把可節省的 token 成本連結到實際工作流程。

  8. Databricks Blog78

    Databricks Genie 把受治理的企業資料帶進 Teams、Excel 和 Copilot

    公司資料分散在不同工具裡,員工常得自己找表格、核對數字,也不一定知道哪些資料能看。Databricks 擴大 Genie 在 Microsoft 工具中的使用方式:在 Teams 裡,員工可用訊息詢問資料、檢視圖表、分析檔案或安排定期分析;在 Excel 裡,可用白話提問、把結果載入活頁簿,並建立會更新的樞紐分析;Copilot Chat 和 Copilot Cowork 則能把資料問題交給 Genie 查詢。答案會附上資料來源,並依使用者許可權提供內容,管理員也能透過 Unity Gateway 管理工具使用、支出和操作紀錄。

    推薦理由:Genie 把受治理的企業資料帶進 Teams、Excel 與 Copilot,並以許可權、引用來源和管理工具串起工作流程。

11月18日週三
  1. PostgreSQL Official News54

    pgSherpa 推出 macOS 桌面工具,方便監控 PostgreSQL

    同時管理 PostgreSQL 伺服器時,健康狀況、資安設定和雲端資料庫資訊分散,可能不容易掌握。CortexRidge 推出免費的 macOS 桌面工具 pgSherpa,可監看 PostgreSQL 12 到 18,並用句子提醒需要處理的狀況,也能檢視鎖定等待、長時間執行的工作、複寫延遲、備份和故障切換等資訊。它也提供 SQL 查詢和常用報表;查詢預設在唯讀交易中執行,只有使用者切換後才會寫入資料。工具不需在伺服器安裝擴充功能或代理程式,密碼和金鑰會留在 macOS Keychain。

  2. PostgreSQL Official News58

    pgjumbo 推出免費 PostgreSQL 桌面使用者端,整合查詢與管理工具

    管理 PostgreSQL 時,查詢資料、備份資料庫和檢查伺服器狀況常要用到不同工具。pgjumbo 是一款免費桌面使用者端,支援 PostgreSQL 12 以上版本,可在 Windows、macOS 和 Linux 使用。它提供 SQL 查詢、資料編輯、備份還原、許可權與伺服器活動檢查等功能;修改資料庫物件前會先顯示 SQL,標記為 Production 的伺服器若要執行會造成破壞的指令,也會先要求確認。

  3. Databricks Blog77

    Databricks 如何把叢集建立的預設請求速率上限提高 7.5 倍

    雲端服務變慢時,建立叢集的工作會拖更久;固定每分鐘接受多少請求,可能讓工作堆在系統裡,也可能在系統有空間時擋掉請求。Databricks 改用會看系統狀況調整的同時工作上限,讓排隊中的請求等到有空位再開始;系統吃緊時減少新工作,恢復後再慢慢增加。它仍保留固定請求上限,作為流量特別高時的防線。Databricks 表示,這套做法讓預設叢集建立請求上限提高 7.5 倍,報告範圍內的限流錯誤減少超過 99.99%,並移除了 100 多個客戶專屬上限。

    推薦理由:固定請求速率難以應付雲端依賴變慢帶來的長時間工作堆積;文章說明 Databricks 如何按系統健康調整同時進行的工作數量,並分享實際成效。

  4. AWS Machine Learning Blog67

    Amazon SageMaker AI 推出資料準備功能,協助整理訓練資料

    訓練和評估模型時,整理出夠用又可靠的資料常常很花時間,標籤錯誤、重複內容也可能拖到訓練後才被發現。Amazon SageMaker AI 推出一組資料準備功能,可自動標註資料、產生合成資料、檢查資料品質,也能依訓練方法整理資料格式;信心較低的標註還能交給人在 SageMaker Studio 檢查。團隊可用 Python SDK 或 AI-ML skill 操作,並檢視、修改產生的規格和程式碼。這些功能已在美東(維吉尼亞北部)和美西(奧勒岡)正式推出。

    推薦理由:原文說明如何把自動標註、人工檢查、合成資料與品質檢查串成準備流程,可瞭解資料整理如何接上模型訓練與評估。

  5. Databricks Blog54

    Databricks 分享 Lakebase 駭客松如何用資料庫分支與同步打造應用

    開發應用時,團隊常得在共用測試資料庫和替每位開發者複製一份資料之間取捨;把湖倉資料送進應用,也常要另外建同步流程。Databricks 分享 11 個客戶團隊如何用 Lakebase 嘗試解決這些問題:資料庫分支能快速建立測試環境,修改不會直接影響正式資料;同步功能則讓湖倉資料供應應用查詢,也能把資料庫變更送回湖倉。像 Lyft 的團隊讓 AI 助理在資料庫分支上測試客服處理方式,再讀取資料庫的實際結果調整。這些案例展示 Lakebase 如何支援應用開發、搜尋和即時機器學習。

  6. Databricks Blog56

    Databricks 在 Azure Government 開放新版平臺 Beta

    政府機關要使用新的資料與 AI 工具,常得同時滿足嚴格的安全與合規要求。Databricks 宣佈 Azure Government 上的新平臺進入 Beta,已提供 Unity Catalog、Databricks SQL 和無伺服器運算,並預設啟用加強監控、叢集自動更新與加密等防護;客戶資料只會存放和處理於美國政府雲端區域。FedRAMP Class D 與 DoW IL5 授權仍在申請中,預計於 2027 年初取得;Beta 目前僅供非正式環境使用,完整 AI 功能也還在規劃中。

11月17日週二
  1. PostgreSQL Official News58

    Apache Cloudberry 2.2.0 更新至 PostgreSQL 14.10 核心

    大型分析資料庫要跟上 PostgreSQL 的修補,也得照顧不同作業系統和硬體平臺。Apache Cloudberry 2.2.0 把核心從 PostgreSQL 14.4 更新到 14.10,納入多項上游安全修補,並加入六種擴充功能與多項查詢改進。這個版本支援 Rocky Linux 8、9、10 和 Ubuntu 22.04、24.04,Ubuntu 20.04 則不再支援;安裝套件也支援 x86_64 和 ARM64。

  2. PostgreSQL Official News62

    pg_fastload 1.0.0 用平行處理加快 PostgreSQL 大量資料載入

    大量資料載入 PostgreSQL 時,原本的工具會在單一工作程式裡讀取、解析和寫入,讓多核心電腦的其他核心閒著。pg_fastload 1.0.0 把讀取和解析分給背景工作者,再由原本的工作程式負責寫入;整次載入仍是一筆交易,遇到錯誤資料就會取消整次載入。文中的測試以 1 GiB CSV 資料進行,預設設定比 COPY 快 6.07 倍,比上游 pg_bulkload 最快的模式快 1.58 倍。部分設定不適用平行處理時,程式會自動改用單一工作程式。

    推薦理由:pg_fastload 把讀取和解析工作分給背景工作者,同時保留單一交易;文中也比較了它和上游工具及 COPY 的測試結果。

  3. Databricks Blog72

    IFS Copperleaf 如何用 Databricks Genie One 讓 AI 助理理解公司業務

    公司資料分散在近 30 個系統時,不同部門可能連「有多少客戶」都算出不同答案,光把資料整理好還不夠。IFS Copperleaf 用 Databricks Genie One 打造內部 AI 平臺 IONA,先整理財務等重要資料,其他資料則讓 AI 直接讀取,再由業務人員在對話中補充公司的定義。每項定義都有負責人,並由 AI Council 審核;許可權仍依照公司原有設定。文章也分享行銷分析、財務換算和客戶會議準備等用途,以及 70% 的啟用率,說明共同的業務定義如何讓不同團隊更容易取得一致答案。

    推薦理由:IFS Copperleaf 說明如何把高風險資料先整理好,再讓業務人員補充其他資料的意思,呈現企業匯入 AI 助理時治理與彈性的取捨。

  4. Databricks Blog45

    Databricks AI Runtime 如何協助企業使用表格資料 AI 模型

    用表格資料預測客戶會不會流失、商品需求有多少,通常得為每種工作各自訓練和維護模型,既花時間,也得處理 GPU 設定和管理。表格基礎模型(TFM)先用大量合成資料預訓練,拿到新資料時,就能參考已知答案來預測,不必從頭訓練;例如 TabICLv2 約有 28M 個引數,商用授權較寬鬆,但不同模型在效能、成本和授權上各有取捨。 Databricks AI Runtime 提供代管 GPU,並整合實驗追蹤、資料治理和模型部署,讓團隊能在資料所在的平臺測試或微調 TFM,再把模型用於批次工作或即時預測。這類模型有機會省下建置和維護專用模型的時間,但每次預測都要把資料交給模型處理,GPU 用量可能隨資料列數和欄位增加;企業仍得用自己的資料評估準確度與運算成本。

  5. Databricks Blog68

    Databricks 示範用 Feature Views 打造即時金融產品推薦系統

    銀行想在客戶瀏覽信用卡或使用貸款試算時推薦合適的產品,得趕在對方離開前算出結果。Databricks 的 Solution Accelerator 示範如何用 Feature Views 共用訓練和上線服務的特徵定義,並把客戶平常的資料和剛發生的瀏覽行為一起交給排序模型。範例中,完整推薦請求的延遲符合 50 ms 預算,串流事件約 0.1 秒後就能供模型使用;不過資料是合成的,不能據此宣稱推薦會提高營收。實際上線前,團隊還得自行加入資格、同意、適用性和抑制規則。

    推薦理由:範例說明批次與串流特徵如何共用定義,並在 50 ms 服務預算內完成排序,可作為評估即時推薦架構的參考。

  6. Databricks Blog55

    Databricks 獲 Gartner 資料湖倉平臺領導者評選,Lakebase Postgres 入選願景者

    企業常把處理日常交易的資料庫和分析資料分開,還得用資料管線複製資料,增加等待時間與管理負擔。Databricks 表示,Gartner 將它列為資料湖倉平臺領導者,並在執行能力上評分最高;在雲端作業資料庫評選中,Lakebase Postgres 則是唯一入選願景者的廠商。文章也介紹 LTAP 架構:Lakebase Postgres 處理交易,分析引擎負責分析,兩者讀取同一份資料,讓分析能看到應用程式剛寫入的內容。文中舉例,PRADA Group 用它提供低延遲的指標 API,約快 130 倍,基礎架構成本約降 50%。

  7. 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16日週一
  1. OpenBMB47

    大型語言模型能讀很長的內容,但訓練太早停止,長文表現可能還沒練好。OpenBMB 分享一項研究,用模型大小、一般訓練資料量和長文本訓練資料量,估算模型處理長文的表現;這套公式也能推估沒直接測過的訓練規模,R²=0.97。研究還發現,訓練過程中可以用固定方式穩定追蹤進步,而且 32K 訓練帶來的提升能延伸到 128K,也能保留在 SFT 之後,並幫助長上下文與 AI 助理任務。

11月14日週六
  1. AWS Machine Learning Blog74

    AWS SageMaker HyperPod 示範如何用線上資料找出模型盲點並微調

    新產品上市後,分類模型可能沒有對應的類別,讓客服工單被分錯或只能送進通用佇列。AWS 示範用 SageMaker HyperPod Data Capture 把線上請求與回答存到 S3,再用 Athena 找出新產品造成的分類變化,透過 SQL 規則整理訓練資料,並在同一個叢集上微調模型。示範使用合成資料;測試集準確率從 83.9% 提升到 100%,但手寫測試為 20/24,也暴露出模型把「提到產品名稱」直接當成產品分類的問題。文章提醒,完整請求可能含個資,收集前應設定抽樣、加密與去識別處理。

    推薦理由:文章示範如何從線上請求找出新產品分類缺口,再用 SQL 標記資料並微調模型,呈現一套可重做的改善流程。

11月13日週五
  1. Databricks Blog70

    Databricks Genie Migrate 正式推出,支援將七種資料倉儲的 SQL 轉到 Lakehouse

    企業把舊資料倉儲搬到 Databricks Lakehouse,常得花很多時間改寫 SQL、查檔案之間的關係,還要逐一找出轉換錯誤。Databricks 的 Genie Migrate 現已正式推出,可處理 Microsoft SQL Server、Azure Synapse、Teradata、Oracle、Snowflake、Amazon Redshift 和 Google BigQuery 的 SQL。它會整理檔案與資料表的依賴關係、同時轉換多個檔案,並檢查和修正產出的程式碼,讓工程師比對新舊版本後核准結果。Databricks 表示,七種來源的基準測試中,每種都有超過 90% 的檔案轉換正確;MIXI 測試的 BigQuery 檔案則約有 85% 不必手動修改即可執行。

    推薦理由:文章以七種資料倉儲的轉換基準與 MIXI 實例,呈現 Genie Migrate 的轉換成果及工程師仍需檢查的工作。

  2. Databricks Blog71

    Databricks 解析 Lakebase LTAP 的四種常見誤解

    Databricks 逐一回應 LTAP 的四種常見質疑,說明 Lakebase 如何以單一邏輯資料表支援 Postgres 交易處理與湖倉分析。 - 資料儲存:LTAP 將湖端作為耐久資料層,並以快取與 pageserver 支援讀取;文章主張這些層級不構成可獨立查詢的第二個資料庫。

    推薦理由:文章以儲存層級、雙格式與 LSN 快照逐一拆解 LTAP 的四種常見誤解,呈現 Lakebase 如何兼顧 OLTP 存取與一致性分析。

  3. Databricks Blog76

    Databricks Genie for Slack 正式推出,支援受治理的資料問答與工具操作

    Databricks 宣佈 Genie for Slack 正式開放使用,讓使用者在 Slack 頻道、討論串或私訊中取得依照既有許可權提供的資料與知識庫答案,並可接續執行工作。

    推薦理由:Genie 將受治理的資料查詢與跨工具操作帶進 Slack,並沿用提問者許可權;各頻道也可設定回覆可見範圍與指定 Genie Agent。

11月12日週四
  1. Hugging Face Blog74

    TRELLIS.2 3D 生成模型微調完整指南

    Hugging Face 提供 TRELLIS.2 微調指令碼與 Docker 容器,示範如何使用自備的 3D 資產訓練 LoRA,並可透過 Hugging Face Jobs 或本機執行。

    推薦理由:文章以鞋類資料集示範如何依任務需求選擇微調元件,並比較留出物件的幾何指標,呈現從資料準備到評估的可遷移流程。

  2. PostgreSQL Official News86

    PostgreSQL 發布 18.7、17.12、16.16、15.20、14.25 與 19 RC 2

    PostgreSQL Global Development Group 發布 PostgreSQL 18.7、17.12、16.16、15.20、14.25 更新版及 PostgreSQL 19 RC 2,修補 52 個安全漏洞與 140 多項錯誤。

    推薦理由:此次更新同時修補多項安全漏洞並處理索引損毀、備份與查詢結果等問題,更新後的重建索引及全量備份需求也有明確說明。

  3. Apple Machine Learning Research51

    Apple 研究探討 SSM 閘控機制如何影響記憶與情境學習

    Apple 研究透過理論與實驗指出,SSM 的閘控機制會使模型先學會權重內記憶,並延後甚至阻礙正確的情境學習解法收斂。 研究發現:即使架構或記憶容量沒有根本限制,閘控仍可能影響情境學習;另一方面,它常有助於提升長序列泛化能力。 研究範圍:分析閘控機制如何塑造 SSM 的訓練動態與泛化表現,為理解及改進線性時間模型提供依據。

11月11日週三
  1. Databricks Blog63

    Databricks Genie Ontology 基準測試:準確率達 91%,Token 用量不到競品一半

    Databricks 在與 Turing 合作建立的企業資料代理基準測試中,評估 Genie、Genie Ontology 與兩個前沿代理在即時 Databricks 工作區回答商業問題的表現。

    推薦理由:這項評測把筆記本、儀錶板與儲存的 SQL 查詢納入企業資料脈絡,呈現這些工作區知識如何影響資料代理的答題準確度與資源用量。

  2. Databricks Blog81

    Databricks 擴充 Genie Agents,支援檔案分析、企業工具操作與跨組織分享

    Databricks 擴充 Genie Agents,新增非結構化檔案分析、企業工具連線與跨組織分享功能,讓代理程式能結合檔案、受治理資料表與企業工具回答問題並採取行動。

    推薦理由:Genie Agents 將非結構化檔案、受治理資料表與企業工具接入同一工作流程,並提供頁面引用與許可權控管,呈現從分析到執行的整合方式。

  3. Databricks Blog68

    Databricks 宣佈 Genie Ontology 正式推出,擴增知識來源與治理工具

    Databricks 宣佈 Genie Ontology 正式推出,讓 AI 助理從企業資料與日常工作中持續學習業務脈絡,並由人員治理關鍵定義,將共用且受控的知識提供給各種AI 助理。

    推薦理由:Genie Ontology 將日常工作產生的知識與人工治理的業務定義結合,並以基準比較呈現其對代理準確率、耗時與 token 用量的影響。

  4. 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。