跳到正文

#資料/訓練

RSS
今日 7 則
10月10日週六
  1. Hacker News (official RSS)69

    近期 AI 模型難以匹敵人類演算法創新

    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。

10月9日週五
  1. Hugging Face Blog60

    GPU叢集的高影響力排程

    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。

10月8日週四
  1. Epoch AI Updates86

    AI 能否自動化 Epoch?

    導語:本報告以 Epoch 內部任務測試前沿模型,揭示其在實務場景中仍缺乏自動化能力,對 AI 產品化提供洞見。- 主要發現:Claude Fable 5.1 與 GPT‑6 Astra 在結構化任務上表現穩定,但在開放式設計、研究判斷與實驗設計等方面仍有明顯缺口。

    推薦理由:本報告以 Epoch 任務測試前沿模型,揭示其仍缺乏自動化能力,對 AI 產品化提供洞見。

10月7日週三
  1. Demis Hassabis (@demishassabis)63

    Google DeepMind 成功合成 AI 設計水印蛋白,證明 AI 在生成式生物學中的可行性。 - 核心成就:AI 設計的蛋白質不僅功能完整,還嵌入可識別的水印。 - 技術關鍵:透過生成式模型設計蛋白質結構,並加入水印機制。 - 潛在應用:藥物研發、合成生物學與生物安全等領域可受益。 - 未來展望:此概念驗證將促進合成生物學實驗的可擴充套件性。

10月6日週二
  1. The Decoder72

    研究團隊將 LeCun 的 JEPA AI 擴充套件為涵蓋物理到生物的通用世界模型

    研究團隊將 LeCun 的 JEPA AI 擴充套件為涵蓋物理、機器人、天氣預測與生物學等七個領域的通用世界模型,並在實驗中提出肝癌治療候選組合。 - 模型架構:JEPA-Anything 將預測狀態拆分為四個正交因子,每個因子由獨立預測模組處理,最終重新組合得到完整世界狀態。

10月5日週一
10月4日週日
10月3日週六
  1. Supabase Blog82

    Supabase Select 2026 會議回顧

    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。

10月2日週五
  1. AWS Machine Learning Blog72

    利用 AWS 上的情境多臂賽局提升獲客漏斗轉換率

    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。

10月1日週四