智元、清華、無問芯穹發布群體經驗學習範式 CEL,96 臺真機驗證叢集規模越大成功率越高
CEL 是由智元、清華大學及無問芯穹共同提出的群體經驗學習框架,透過 96 臺真機的實驗證明,叢集規模越大成功率越高。 - 實驗規模:96 臺機器人完成 9834 輪任務,涵蓋插花、疊衣、手機充電、凳子組裝、手機包裝等五大真實作業。
CEL 是由智元、清華大學及無問芯穹共同提出的群體經驗學習框架,透過 96 臺真機的實驗證明,叢集規模越大成功率越高。 - 實驗規模:96 臺機器人完成 9834 輪任務,涵蓋插花、疊衣、手機充電、凳子組裝、手機包裝等五大真實作業。
中國機器人製造商 已在跑步、舞蹈、後空翻等動作上取得突破,現在正投入資源研發能讓機器人跨職能運作的 AI,形成「身體化 AI」投資熱潮。 - 投資規模:2026 年上半年,身體化 AI 企業共募集 93.5 億元(約 13 億美元),較前年增幅 5 倍,交易筆數 322 筆。
Mistral Large 4 的開放權重於 2026‑10‑29 在 Hugging Face 公開,擁有約 1.05 T 引數,支援 FP8、NVFP4 以及多種 GGUF 量化檔案。
summary_zh: 開發者以 C++ 建構儲存引擎,最終打造出多模型資料庫 PacificDB。
Python 指令碼可將 CSV 與 JSON 轉換為 Markdown 表格,並自動處理管道符、換行、行不齊、不同分隔符、BOM 以及巢狀欄位。 - 功能:依賴標準庫,無需 pandas 或第三方套件;可指定行數上限,並將缺失欄位填空。
零依賴 Python+SQLite 商業應用:本文示範三種架構模式並提供五個可直接下載的指令碼,讓開發者能在 Windows、macOS 與 Linux 上以單一資料夾執行,啟動時間不到 40 毫秒,記憶體使用不足 28 MB。
summary_zh: Adobe 研究人員開發了 EditAgent,能在 Photoshop 中像專業編輯師一樣選擇合適工具並以硬資料評估結果。 - 核心特性: - 以步驟拆解需求,為每一步同時產生多個候選編輯(parallel variants)。
本文提供從任務定義、模型挑選到首輪測試的完整實務工作流程,幫助開發者快速驗證模型可行性與後續最佳化方向。 - 任務定義:先列明輸入、輸出、使用者、質量門檻與部署限制。
summary_zh: 以汽車工廠比喻,說明大型語言模型(LLM)訓練的核心迴圈:從 tokenization 到前向傳播、交叉熵損失、反向傳播與引數更新。 - Tokenization & Embeddings:文字被切分為 token ID,對映至學習的 embedding 表,並加入位置資訊(如 rotary embeddings)。
**作者將 US tariff engine 打包成 npm 模組 us-tariff-lookup,將 452KB 的規則集與 TypeScript 程式碼一起發布,並使用 npm Trusted Publishing 保障安全。
Country To Live 建構了一個研究資料庫,將各國簽證規則整理成可直接嵌入或引用的資料集。 - 資料集內容:包含數位遊牧簽證收入底線、永居路徑等,提供 2–3 句發現與 KPI 指標。
summary_zh: 本文研究為何語言模型資料歸因方法失效,並提出受控事實追蹤基準 CATT。 - CATT:受控事實追蹤基準,透過在完全虛構知識上 fine‑tune,提供明確的 ground truth。
合成資料在訓練大型模型時可節省成本與時間,但若比例過高且驗證不足,會導致模型表現下降。 - 資料供應瓶頸:高品質人類文本有限,模型需求日益增加,合成資料成為填補缺口的手段。
核心導語:本文說明光學電路交換與電氣分組在 AI 群集中的能耗與彈性差異,協助架構師依工作負載選擇最佳網路結構。 - 能耗差異:光學交換不需將光轉換為電子,單位位元能耗大幅下降;電氣交換在每個跳點都需轉換,隨線速提升能耗急劇增加。
作者 Matt Cockayne 探討模型權重、訓練資料與授權之間的層疊關係,指出即使權重為 MIT,訓練資料的非商業限制仍可能影響使用。 - 權重授權:LaMa (Apache‑2.0)、MI‑GAN (MIT) 皆以 MIT 或 Apache 授權釋出。
RandNow 是一套免費的客戶端隨機資料生成工具,支援 40 個國家的真實地址、電話、郵遞區號與多種檢查碼(Luhn、IBAN、ISBN 等)。 - 地址與郵遞區號:根據各國格式(如德國街號後置、日文區塊編號、英國混合字母數字郵遞區號)自動生成,並將郵遞區號與城市對應,避免驗證失敗。
summary_zh: PyTorch 的 autograd 會在前向傳播時自動記錄計算圖,並在呼叫 L.backward() 時逆向遍歷該圖,計算並儲存所有權重的梯度。
反向傳播 透過梯度傳遞,將損失函式的誤差分配給每個權重,從而告訴我們誰對預測錯誤負責。 - 前向傳播:從輸入到輸出計算值,例如 f(x, y, z) = (x + y)·z。
梯度下降就像矇眼行走在山谷底部,本文以直觀比喻說明其原理與學習率影響。 - 梯度:損失函式在各權重方向的斜率,指向上坡,步驟則沿反方向下降。 - 學習率 (η):決定每一步的距離,過小會緩慢收斂,過大會跳出谷底。
Lakebase 的 copy‑on‑write 分支功能能在秒級時間內為每個 PR 建立獨立的資料庫環境,讓測試能在真實資料上執行,並且保持安全與可擴充性。
summary_zh: 作者建置了「Spirit Box」,讓兩個已故蒙田的 3B 引數模型在瀏覽器中輪流對話,並可透過中介者介入討論。 - 模型規格:兩個 3B Montaigne 模型,量化版本 Q4_K_M 與 Q6_K,使用 SmolLM3 思考語言為英文,回覆為 1592 年法文。
summary_zh: 神經網路透過損失函式將錯誤量化為單一數值,進而調整權重以降低錯誤。 - 損失函式:將每次預測誤差轉化為單一數值;零代表完美預測,數值越大代表錯誤越多。
summary_zh: 本文說明 TensorFlow 如何將資料表示為張量、使用 Keras 進行模型構建,並從實驗到手機、瀏覽器與伺服器的部署流程。 - 核心概念: - 張量:資料以多維陣列形式呈現,所有操作皆作用於張量。
導語:作者展示瞭如何利用 Wikipedia dumps 以並行方式在三分半鐘內完成全英語 Wikipedia 的結構化抽取。 - 資料量:一次 25 GB 下載,25.8 M 頁面,約 109 GB 原始檔。
Express Entry 的抽籤資料已公開,作者將其轉成 CSV,並用 pandas 直接分析,快速揭示 CRS cut‑off 變化與邀請數量趨勢。
Google Cloud PMLE 2026 考試指南 以新版結構與權重說明,幫助考生快速定位重點並制定備考計畫。 - 考試長度與題型:兩小時,50–60 選擇題與多選題,需具備 Python 與 SQL 基礎。
summary_zh: Microsoft Copilot 透過新開發的 Industry Evaluation Data Generation Platform,利用公開資料生成合成企業環境,測試 AI 在真實企業工作流程中的表現,提升評估準確度與安全性。
summary_zh: Samaya AI 發布了 Samaya Sterling,一款以 NVIDIA Nemotron 3.5 Lightning 為基礎。
GMI Cloud 在桃園的 AI Factory 以 25MW 電力供應為基礎,展示多層備援與液冷設計,說明 AI 資料中心已由空間利用率轉向電力與散熱效率的競賽。
推薦理由:原文展示 75 步 LoRA RL 可將 Mistral Large 4 的 AIME 2024 avg@8 從 64% 提升至 75%,凸顯強化學習價值。
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
Prime Intellect 推出 Prime Mega MoE,將 DeepSeek 的融合 MoE 核心擴充套件為可訓練版本,新增快速重疊反向傳播,讓 Qwen3 模型訓練速度提升 32%–34%,相較 TorchTitan 提升 55%。
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。
summary_zh: Mistral 釋出 Mistral Large 4 (ML4) 開源權重,並在編碼基準上領先 GLM‑5.3 1 分,宣稱為「全球最佳開源代理式編碼模型」。
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。