最新開源實體 (#24)：Motif‑3、GLM‑5.3、Hy4‑preview 及開放模型授權
GLM‑5.3 於 2026 年以自訂授權釋出，要求 10 億美元營收的服務商須通過 Z.AI 安全審核。 - 西方模型授權趨勢：Google 與 Meta 轉向 Apache 2.0，降低採用門檻。
推薦理由：本文闡述西方開源授權與中國模型授權的差異，對開發者評估採用風險與合規成本具有參考價值，並列舉多款新模型與其授權條款，方便快速比較。
資料與訓練
全部主題訓練側的門道：資料集構建、合成數據、預訓練與後訓練方法、算力與訓練成本。
最新精選
第 81–100 條 · 共 112 條Nathan Lambert (Interconnects)精選品質評分7979
Amazon Science精選品質評分6565 LLM 判斷者一致時，是否值得信任？
本研究提出利用 Ising 模型調整 LLM 判斷者之間的依賴關係，提升聚合準確度 9%–14%。 - 任務範疇：評估檢索增強生成系統中的相關性、毒性與摘要品質，共三個二分類任務。
推薦理由：本研究提供一套利用 Ising 模型調整判斷者互相依賴關係的聚合方法，提升 LLM 判斷準確度 9%–14%，對構建更可靠的評估流程具有實際意義。
Hugging Face Blog精選品質評分6464 讓知識蒸餾足夠低成本以實現規模化執行
Multiverse Computing 在其最新論文《Efficient Knowledge Distillation for LLMs: Offline Top‑K Logits and a Fused Chunked KL Loss》中提出離線 Top‑100 logits 快取與分塊 KL 損失兩項改進。
推薦理由：本文提出的離線Top‑K logits快取和分塊KL損失顯著降低視訊記憶體需求，使大規模LLM蒸餾可在單GPU上完成，降低成本並提升實驗效率。
Amazon Science精選品質評分6262 工業機械控制器協調多工機器學習
ControlG 以 PID 控制器協調圖自監督學習中的多工目標，顯著提升多圖基準的表現。 - 核心機制：三階段迴圈—感知難度、規劃分配、PID 控制，避免梯度衝突。
推薦理由：本研究提出 ControlG，利用 PID 控制器動態分配多工學習資源，顯著提升圖自監督學習表現。
Import AI精選品質評分8080 MirrorCode：AI 透過純輸入輸出重寫 25 程式，揭示自我導向與機器人效能突破
核心評測：MirrorCode 針對 25 個大型程式（共 132 個任務例項），17/25 取得完美分數，4/25 超過 99%。
推薦理由：MirrorCode 讓 AI 透過純輸入輸出自行重寫 25 個大型程式，證明其自我導向能力與程式開發潛力；同時，Anthropic 及 Sunday 的實驗顯示大模型可顯著提升機器人執行效率與泛化性。
Google Research精選品質評分7070 讓量子計算機從錯誤中學習
Google Research 在其 Willow 超導處理器上演示了利用強化學習實現量子計算機持續校準的方法，顯著降低了邏輯錯誤率。實驗中，RL 訓練將錯誤率降低 3.5 倍，最終邏輯錯誤率低至每千個糾錯週期不到一次，並在數百量子位元的模擬中驗證了可擴充套件性。該方法將量子錯誤檢測事件作為主動學習訊號，展示了可持續計算的新範式。
推薦理由：通過強化學習實現量子計算機持續校準，顯著降低邏輯錯誤率，展示了可擴充套件的自適應控制方法，為未來大規模量子計算提供可行路徑。
Google Research精選品質評分6262 揭示擴散模型創造力的奧秘
Google Research 通過數學分析解釋了擴散模型的創造力來源，指出正則化導致的分數平滑使模型在去噪過程中產生插值，從而生成新穎影像。文章以一維示例說明分數平滑如何軟化梯度，並通過實驗驗證權重衰減對其影響；在多維情形下，分數平滑幫助模型在資料流形上平衡質量與新穎性。作者已公開實驗程式碼。
推薦理由：本文闡釋擴散模型創造力來源，揭示正則化導致的分數平滑如何產生新穎影像，並指出可通過調節正則化實現更具創造性的生成。
Ray (Anyscale) Releases精選品質評分6262 Ray 2.56.0 發布，改善資料處理穩定性與 Ray Serve LLM 效能
Ray 發布 2.56.0，更新 Ray Data、Ray Serve LLM 與 Ray Core，涵蓋資料處理穩定性、LLM 服務效能及叢集資源管理。
推薦理由：Ray 2.56.0 同時調整資料處理、LLM 服務與叢集資源管理，並列出 2.57.0 將提高的相依套件門檻，方便維護者預先檢查環境。
Google Research精選品質評分7272 Google開源水文框架，開啟洪水韌性新篇章
Google Research公開了其水文模型框架，供各國氣象機構在GitHub上使用和構建AI洪水預報模型。該框架基於PyTorch實現LSTM網路，支援使用Caravan資料集訓練，並已在Czech Hydrometeorological Institute驗證，提升預測時效6天。
推薦理由：Google公開的水文框架讓各國氣象機構可自行訓練AI洪水預報模型，提升預測時效並降低技術門檻。
Axolotl Releases精選品質評分6464 Axolotl 發布 v0.17.0，擴充 MoE、遠端與多模態訓練支援
開源模型訓練工具 Axolotl 發布 v0.17.0，新增多種訓練能力並修正多模態損失遮罩。 - 分散式訓練：加入透過 DeepSeek 的 DeepEP 執行 MoE Expert Parallelism，已在 2×A100、4×A100、8×H100 上驗證。
推薦理由：多模態助理專用損失遮罩修正會改變相關訓練的 loss 值，版本也包含破壞性設定更名，升級時需一併留意。
Import AI精選品質評分7373 Import AI 459：AI 監督困難、蛋白質模型規模法則與 AI 系統滅絕風險定價
Import AI 459 以多角度回顧 AI 經濟增長、監督難題、資料集與蛋白質模型進展，並探討 AI 系統滅絕風險的定價。 - AI 經濟：美國 AI GDP 估計 2025 年約 2500 億美元，年增速超 2600%。
推薦理由：深入探討透過多角度分析，瞭解 AI 產業增長、監督挑戰、資料資源與生物科學突破，協助讀者把握未來趨勢。
Modal Engineering Blog精選品質評分6868 強化學習：基礎設施瓶頸與 Modal Dojo 解決方案
強化學習：基礎設施瓶頸與 Modal Dojo 解決方案 - 核心問題：RL 後訓練需要三大獨立基礎設施，包含可擴充套件的訓練引擎、近光速推論引擎以及可並行執行的環境沙盒；多節點擴充套件時權重同步成瓶頸。
推薦理由：文章闡述 RL 基礎設施瓶頸與解決方案，並提供 Modal Dojo 開源庫，協助團隊快速擴充套件大模型訓練，並降低基礎設施成本與開發複雜度。
Together AI Official Blog精選品質評分6666 Together AI 與 Adaption 聯盟合作公告
Together AI 與 Adaption 共同推出 Adaptive Data 與 Together Fine‑Tuning 的整合，讓使用者可在 Adaptive Data 上最佳化資料後直接進行高效微調與部署。
推薦理由：此合作將 Adaptive Data 的資料最佳化技術與 Together Fine‑Tuning 的高效訓練平臺結合，提升模型品質並縮短實驗週期，為開發者提供更快的模型迭代流程。
Together AI Official Blog精選品質評分6969 分佈感知推測解碼提升 RL 回合時間 50%
分佈感知推測解碼（DAS）能在 RL 後訓練中將回合時間縮短 50%，同時保持獎勵曲線不變。• 核心技術 採用字尾樹草稿器和長度感知排程，實現零成本自適應。
推薦理由：此研究提出分佈感知推測解碼，能在 RL 後訓練中將回合時間縮短 50%，對大規模模型訓練成本節省具有實際參考價值。
Together AI Official Blog精選品質評分6464 Parcae：透過穩定迴圈模型以更少引數達成更高效率
Parcae 是一項由 Together AI 等機構推出的穩定迴圈模型架構，透過重複使用層數來提升運算能力，同時解決傳統迴圈模型訓練時容易不穩定的痛點。
推薦理由：原文提出穩定迴圈模型架構並建立對應的縮放定律，讀者可藉此評估如何在降低引數量的同時維持模型效能。
Modal Engineering Blog精選品質評分6565 Doppel 透過 Modal 消除 ML 基礎設施成本
本文：Doppel 透過 Modal 重構 ML 執行流程，將實驗與推論的迭代時間大幅縮短。 - 實驗加速：Modal 允許在 Python 中以 map() 方式並行執行 K‑fold 交叉驗證，將原本順序跑的實驗改為同時執行，縮短回饋迴圈。
推薦理由：本文示範如何以 Modal 取代傳統雲端流程，顯著縮短實驗與推論迭代時間，對需要快速部署 AI 的團隊具備實務參考價值。
Together AI Official Blog精選品質評分7373 Together AI 擴充微調服務，新增工具呼叫、推理與視覺支援
Together AI 推出新版微調服務，新增工具呼叫、推理與視覺語言模型支援，並提升至 100B+ 引數模型的高效微調。 - 工具呼叫：提供結構化驗證、全流程支援，適用 Qwen、Moonshot AI、Z.AI。
推薦理由：此更新提升工具呼叫、推理與視覺功能，讓團隊可每日迭代、成本降低 2–3 倍、準確率提升至 87%，並支援 100B+ 引數模型與 100GB 資料集的高效微調，並提供預估成本與 ETA 以利實驗規劃，並可在多模態任務中使用 Vision‑Language 模型微調。
Together AI Official Blog精選品質評分7070 Mamba‑3 發布：更高效的 SSM 方案提升 1.5B 模型推理速度
Mamba‑3 是一款新型 SSM，專為推理效率設計，於 1.5B 模型層級下，預填+解碼延遲均優於 Llama‑3.2‑1B、Gated DeltaNet 及 Mamba‑2。
推薦理由：Mamba‑3 以高效的 SSM 方案，提升 1.5B 模型預填解碼延遲，並提供 Triton/TileLang/CuTe kernels，為線性模型推理競爭力提供基礎。
Google Research精選品質評分6868 AI 驅動閃洪預測，守護城市
Google Research 推出 AI 驅動的城市閃洪預測系統，並在 Flood Hub 上提供服務。該系統利用 Groundsource 資料集和 Gemini 分析新聞報道，構建 24 小時預警模型。
推薦理由：Google 通過 AI 預測城市閃洪，提供 24 小時預警，填補全球南方缺乏預警的空白，可能挽救數千人生命，並提升災害響應效率。
Google Research精選品質評分7272 推出 Groundsource：利用 Gemini 將新聞報道轉化為資料
Google Research 推出 Groundsource，利用 Gemini 將全球新聞報道轉化為結構化災害資料，首次公開 260 萬條洪水記錄，覆蓋 150+ 國家。該方法通過新聞文本提取、時間空間推理和地圖對映，驗證準確率達 82%，顯著擴充套件現有災害資料庫，為城市規劃、保險和應急響應提供可靠的歷史基線。
推薦理由：Groundsource 利用 Gemini 將全球新聞報道轉化為結構化災害資料，首次公開 260 萬條洪水記錄，覆蓋 150+ 國家，顯著提升災害預測精度，為城市規劃、保險和應急響應提供可靠的歷史基線。