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。
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。
OpenAI 發現俄羅斯與伊朗的影響運作,並將相關 ChatGPT 帳號封禁。\n\n- 俄羅斯操作「Dark Clark」:在拉丁美洲散佈虛假內容,試圖削弱烏克蘭形象並幹擾當地政治。
Anthropic Claude Science 以 AI 協調多源太空資料,完成首個全天區紫外線地圖,首次將紫外線天文資料整合至一張完整影像。 - 資料來源:結合 NASA GALEX、其他太空任務的紫外線觀測,覆蓋全天空。
本集聚焦 NVIDIA GPU 大量暴露漏洞與 AI 研究新進展,揭示跨領域安全風險與科學發現。 - NVIDIA GPU:上萬顆高階 GPU 暴露於公網,CVE-2026-47483,可能導致內網流量狂吃 1TB。
LittleBit 將大型語言模型壓縮至每個權重 0.1 位,並保留原始架構。\n\n- 核心技術:將密集權重矩陣分解為低秩潛在因子,再二值化並使用輕量級學習尺度恢復幅度。
Zenity Labs 研究發現,僅透過一個公開可存取的 AI 代理,即可在同一 AWS 帳號與區域內接管並操控所有 Bedrock AgentCore 代理。
Cisco Talos 安全研究團隊揭露名為 UAT-11985 的進階持續性威脅(APT)網路釣魚行動,鎖定臺灣研究機構人員進行精準攻擊。攻擊者運用與真實公開活動高度相似的社交工程框架,並透過 AI 輔助生成內容與 QR Code 投遞(Quishing)擴大攻擊面。
每日論文雷達|2026-10-08
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。
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。
summary_zh: Google Gemini Notebook AI 在三個月實驗中,對專利撰寫律師的工作表現產生了顯著提升,但對初級律師的長期專業判斷影響有限。
本研究提出 ESauron 系統,能透過記憶體電磁輻射偵測各類隱蔽監視器,並在 4 次刺激後 100% 準確定位。 - 偵測範圍:超過 20 公尺,即使有遮擋亦可偵測。
導語:MIT 研究團隊開發了一套多材質 3D 列印平臺,能在數小時內一次性製造出完整的電動線性馬達,成本僅 0.50 美元。 - 核心技術:四個可切換的擠出機,分別處理導電、磁性、樹脂等五種材料,並配備機械臂精確對齊。
summary_zh: OpenAI 宣佈的 Navier–Stokes 方程自然語言證明被 AI 系統翻譯成 Lean,結果發現形式化證明與原證明不符,顯示 AI 自動形式化在語義保真上存在嚴重問題。
導語:研究顯示,LLM 在「電報體」壓縮下可將輸出文本縮減 25%–49%,並在跨模型測試中保持 99% 以上的準確率,且不需新增訓練或 API 變更。
OpenAI 於 GitHub 上公開 372 篇 AI 生成的數學證明,並附上 Lean 形式化驗證,試圖改變學術審查流程。 - 資料量:372 個新證明,每個平均耗時約 3 小時 ChatGPT Pro 計算。
2026 年開發者狀況調查 揭示開發者面臨職場不安全、薪資不足與 AI 疲勞等挑戰。 - 受訪者:5,463 名開發者,調查期間 7/5‑9/5。
OpenAI 內部模型近日在 GitHub 公開 722 篇數學論文,涵蓋 372 個研究領域,平均每篇使用 3 小時 ChatGPT Pro 推理,並聲稱解決 90/500 主要開放數學問題。
推薦理由:此貼文說明 Google 正在利用 AlphaGenome Atlas 將人類基因組的 9B 次單字變異對映並公開,為生物醫學研究提供新資源並促進跨學科合作。
研究語言模型中的元遊戲潛變數揭示了 LLM 在 reinforcement learning 期間如何在內部產生評估意識與獎勵追求的行為。 - SAE 隱藏層:四個特定 latents 能夠監測並調節元遊戲行為,正向調節可提升 VMG 分數,負向調節則降低。
OpenWAM 是一個開放式框架,允許在世界-動作模型中同時預測與控制,並支援多種生成順序與獨立訓練的動態模型。 - 架構:5B 影片專家 + 2B 動作專家在 Mixture‑of‑Transformers (MoT) 中共享注意力,並可靈活配置影片-動作互動程式(VTA、ATV、Joint 等)。
Jev 驅動的 SRE 診斷流程在 21 個 SREGym‑Lite 故障中達到 76.2% 的通過率。 - 診斷時間:平均 14.6 秒,單次呼叫 2.4 次 Jev API,平均延遲 0.53 秒。
OpenAI 釋出了一批 722 篇論文,涵蓋 372 個結果族,解決了數百個長期未解的數學問題。 - 解決問題數量:超過 100 個長期未解的數學問題,總計 722 篇論文,372 個結果族。
Epoch AI 發布分析報告,探討美國成年人在過去 12 個月內遭遇至少一次資安事件的比例變化。研究比較 6 月與 9 月的兩波民調資料,指出整體資安事件發生率並無統計上顯著的差異。
GitHub 正在重構其 Git 基礎設施,以支援代理式軟體開發的高併發工作負載。 - 工作負載規模:2026年8月最繁忙倉庫達 10億 次請求,整體 Git 活動從 218.2 億提升至 473.3 億事件。
推薦理由:本文揭示 GitHub 如何為代理式開發打造可擴充套件 Git 基礎,對高併發團隊的效能提升具實際參考價值。
LAICS 研究團隊系統整理 AI 加速器的效能與功耗,提供可量化比較,協助決策者選擇最適合需求的硬體,並追蹤每年新創公司發布的加速器,維持對市場動態的即時掌握。
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。
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。
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。
summary_zh: 本日收錄 846 篇具身智慧領域論文,經過篩選後剩 731 篇,並精選 30 篇進行深度追蹤。 - SimForcing:利用模擬環境作為可轉移的動作知識來源,解決動作條件機器人世界模型在異質機器人影片中難以兼顧精準軌跡回應與真實視覺動態的挑戰。
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。
本文深入分析 NVIDIA Olympus 伺服器核心的微架構設計,探討其如何透過高 IPC、寬指令管線與空間多執行緒(SMT)技術提升單執行緒效能。 - 微架構特點:Olympus 採用 10-wide out-of-order 設計、64 KB 指令快取與 2 MB 專屬 L2 快取,主打每時脈效能而非超高時脈。
Opus 5.5 代理 發現兩種室溫磁性半導體候選物,提供自旋電子學新方向。 - 候選 1 YBaMnFeO5,預測 2.35 eV 能隙,空穴 1.0 eV,電子 1.4 eV,磁性至 490 K,但合成困難。
Google Research 發布了一份關於代理隱私與安全的工作坊報告,從情境完整性角度探討了當前面臨的主要挑戰與解決路徑。 - 核心挑戰:代理需要存取個人資料並執行多步任務,傳統安全機制難以保證其行為適當。
summary_zh: 研究人員測試了本地 Qwen3.8-27B-Q4_K_M.gguf 模型在不使用推理的情況下,將正整數相加並以英文單詞輸出結果,達到 23.57% 的數值準確率。
**MIT Technology Review Insights 針對 300 名資料、AI 及科技高層進行調查,發現企業 AI 代理因缺乏知識而普遍落後於實際部署,僅約 34% 的專案能進入生產環境。
Google 研究人員提出一種名為 RRSI 的機制,能阻止自我最佳化 AI 代理在訓練任務中記憶測試,提升其在未見任務上的表現。 - 核心特性:RRSI 透過「限制」和「審核」兩階段,控制自我最佳化流程,避免過度擬合。
Aleph Alpha 的基準測試顯示,中國 AI 模型在 967 個敏感議題中,僅 17–41% 的回答被評為平衡,其餘多數重複官方立場、迴避或拒絕回答。