U.S. Hunger 如何借助 Amazon Quick 连接领导团队与数据
非营利组织 U.S. Hunger 借助 Amazon Quick 让领导团队直接探索组织数据,无需每次请技术团队重新拉取。Quick Spaces 为同事提供共享的文档、KPI 定义和分析空间,帮助领导层基于一致口径协同决策。目前该组织已为 17 名同事开放访问权限,SQL Server 数据每晚 2 点刷新到 SPICE 供分析使用。
非营利组织 U.S. Hunger 借助 Amazon Quick 让领导团队直接探索组织数据,无需每次请技术团队重新拉取。Quick Spaces 为同事提供共享的文档、KPI 定义和分析空间,帮助领导层基于一致口径协同决策。目前该组织已为 17 名同事开放访问权限,SQL Server 数据每晚 2 点刷新到 SPICE 供分析使用。
NVIDIA 推出预训练关系型基础模型 Kumo Relational,可直接对企业数据库做预测,无需任务特定训练、特征工程或表扁平化。它在 15 个数据库的 41 个任务上超越监督关系深度学习模型和专家构建的梯度提升树流水线,在 SAP SALT 基准上比 AutoGluon 集成的平均倒数排名高 8%。
推荐理由:原文给出 41 个任务上的对比数据,读者可据此判断关系型数据基础模型能否替代现有 XGBoost 流水线。
OpenAI 联合 PerturbAI 与 Scripps Research,用数千个分布式 AI 智能体在数百万个脑细胞数据中挖掘出有前景的研究线索。该工作展示了多智能体协作处理大规模生物数据的方式。
NVIDIA 发布多变量时间序列预测模型 Kumo Forecast(原 NV-Tesseract Forecasting),基于 MOMENT-1-large Transformer 骨干,含约 3.4 亿参数的编码器与可训练预测头,以 Apache 2.0 开源。
Hugging Face 推出 SimReady Central,汇集超过 2,000 个仿真就绪的 OpenUSD 资产,为机器人仿真和 AI 工厂数字孪生提供免费开放起点。
推荐理由:原文说明了 SimReady 资产如何补齐碰撞几何、质量与摩擦等物理属性,读者可据此把现成 3D 模型直接用于仿真工作流。
Mistral 与 NVIDIA 合作,将 Mistral Large 4 与数据生成、物理建模管线结合 NVIDIA CUDA-X 与 NVIDIA Warp,加速工程仿真并打通仿真、模型开发与工程设计的闭环流程。
NVIDIA 扩展开源 NVIDIA Agent Toolkit,新增 Agent Knowledge Foundation、OpenShell 安全运行时与 NemoClaw 蓝图等组件,让企业智能体基于公司数据回答问题并执行行动,同时支持监控与治理。
i14 与 AWS 合作,通过 TorchNeuron Native 的原生 PyTorch 后端将 Laplace 3B 线性注意力模型移植到 AWS Trainium2,其 GLA 循环状态固定为每序列 29.5 MB,不随上下文长度增长。
AWS 在 Amazon SageMaker HyperPod 上微调 GPT-OSS-20B,解决其链式思考默认用英语、50 例多语言测试中仅 22% 使用目标语言的问题。
Strategy Mosaic 作为维度化语义层,使 Amazon Bedrock AgentCore 上托管的 Strands 智能体可经 MCP 端点查询跨 Amazon Redshift 与 Amazon Aurora 的 Customer 360 数据。
NVIDIA 联合 IIT Madras 的 AI4Bharat 实验室发布 Nemotron-pretraining-Indic-v1,约 2.8 万亿 token 覆盖 22 种印度语言,同时开放生成该语料的 GPU 加速数据管线。
推荐理由:语料覆盖 22 种印度语言并开放完整生成管线,读者可参考其翻译、质检与修复流程复用到自己的多语言数据构建。
Mistral AI 发布 Timestral,其首个时间序列基础模型家族,最大 209M 参数版本在 GIFT-Eval、TIME 和 fev-bench 三大公开基准上排名第一。
Project Apertus 发布 Apertus 1.5 的 8B 与 70B 模型(2026 年 7 月 24 日上线 Hugging Face,Apache 2.0 许可),在 Apertus 1.0 基础上新增图像与音频理解、可选思考模式,上下文窗口扩展至 262,144 tokens。
推荐理由:原文完整公开了从数据、训练配方到中间检查点的全流程细节,可作为复现开源多模态模型训练的参考样本。
Ai2 发布高分辨率气候模拟器 HiRO-ACEv2,整套系统生成全球 3 km 气候数据的成本约为 X-SHiELD 的 1/300。
推荐理由:原文把 HiRO-ACEv2 的精度和成本与 X-SHiELD 逐项对比,读者可据此判断高分辨率气候模拟的可用边界。
Google Research 公布 Earth AI 地理空间推理智能体的三项更新,涵盖技术报告、合作伙伴实测结果与早期访问扩展。技术报告在 GeoExpertQueries、GeoKTools、CBGB、UnivEARTH 四个基准上对比四种智能体配置,表明领域专用技能与前置规划显著优于开箱即用的 LLM,两个新基准的开发集已全部开放。
推荐理由:报告用四档配置在四项基准上对比表明,领域技能与前置规划是通用 LLM 应对真实空间推理任务的关键。
GitHub 上线了基于微调 ModernBERT 分类器的新密钥扫描管线,替代原有 LLM 管线。新管线采用正则候选生成加上下文感知分类的两阶段设计,模型导出为 ONNX 并做 8-bit 量化。
推荐理由:原文给出用小型微调编码器替代 LLM 调用的完整管线与量化结果,可迁移到其他低延迟的文本判定场景。
Microsoft Research 提出 StudentSim,一个从公开去标识化学习记录训练个性化学生模拟器的研究系统,用于在真实学习者测试前评估和改进 AI 辅导工具。
Ai2 用 GPU 时间预算、分层公平份额分配和时间切片契约取代了基于优先级的调度器,把各研究项目 GPU 时间多少的争论从逐案运营任务转为透明的行政预算流程。Ai2 管理数千张 NVIDIA H100、B200 和 B300 GPU,服务约 150 名内部研究员,未满足的 GPU 需求随时达到可用量的 2-3 倍。旧的优先级调度导致了 GPU "占坑"、优先级通胀等"公地悲剧"问题。
作者在 HuggingChat 中开启 ML-intern 模式,用自然语言描述需求,几天内做出六个自定义小模型,总计算成本约 103 美元。
推荐理由:作者用六个总成本约 103 美元的项目,总结了给智能体设预算、要基线、做冒烟测试的可复用方法。
微软亚洲研究院提出 Harnessed Agentic RL 训练范式并开源 Agent Lightning v1.0,让部署时使用的 agent harness 通过 LLM proxy 直接参与强化学习,无需在训练框架中重新实现 agent。
推荐理由:核心可迁移点在于把部署用的 harness 直接接入 RL 训练,省去在训练框架中重写 agent 的成本。
NVIDIA 团队基于 Nemotron 3 通过 SFT、RL 与反馈式推理构建专家系统,在 IOI 2026 取得 535.4/600(超过 361.12 的金牌线),在 IMO 2026 取得 30/42(超过 29 的金牌线)。
推荐理由:原文完整给出从基座模型、数据筛选、SFT/RL 到推理循环的四步专精化方法,读者可将其迁移到自己的领域模型训练。
数据科学家现在可以直接在 Amazon SageMaker Studio 中创建、配置、启动和管理 SageMaker HyperPod Spaces,无需再使用 HyperPod CLI 或 kubectl。
Mistral AI 发布 Mistral Large 4(ML4)公开预览,1 万亿参数、490 亿活跃参数的原生多模态模型,为其迄今最大最强模型。权重将于本月底开放,模型在 Mistral 自有欧洲数据中心基于 3,800 块 NVIDIA Grace Blackwell GPU 完成训练。
推荐理由:官方公布 ML4 在网络安全、编码与多模态基准上与闭源模型的对比数据,读者可据此判断开放权重模型的当前位置。
Falcon-Emirati-7B 是基于 Falcon-H1-Arabic 构建的阿联酋方言专用模型,旨在像母语者一样理解并生成阿联酋阿拉伯语的词汇、语气与文化语境。
Ai2 开源 AstaBrief 8B,它把研究问题与检索到的文献片段直接转成带引用的报告,训练数据一并开放。模型基于 Qwen3-8B,用 SFT 加 DPO 训练;在 Asta 的 Fast mode 下平均 51.1 秒生成一份报告,约为 Claude 驱动的 Thinking mode(178.5 秒)速度的 3.5 倍。
推荐理由:原文给出一条可迁移的训练经验,用引用密度这一简单信号过滤合成数据,比更复杂的过滤组合更有效。
Google Research 宣布新一代联邦学习系统,利用可信执行环境(TEE)提供完全可验证、可审计的数据匿名化保证,Gboard 已率先采用。新系统由客户端加密上传与访问策略、基于 RAFT 共识的 KMS 密钥管理、用 Federated Language 编排的 TEE 训练循环以及加密恢复状态协同工作,训练时间从此前的 1-2 个月大幅缩短,同时模型准确率提升。
推荐理由:原文对比了新旧联邦学习系统在隐私可验证性与训练效率上的差异,读者可了解 TEE 如何移除对服务器运营方的信任依赖。
ServiceNow CoreAI 构建 AutoSynthData,将企业智能体的能力缺口自动转化为训练数据。该流程先识别目标模型在环境中的失败模式,再借助更强 teacher 模型的成功经验,生成并验证由系统规范、用户提示词和验证器组成的新任务,用于 post-training。作者在 EnterpriseOps Gym 环境中演示了该流程,并已发布对应数据集。
Microsoft Research 开发的机器学习系统结合太阳风观测、AE/Dst 指数预测与地质数据,为美国本土 66,935 座变电站提供提前 30-60 分钟的位置级空间天气风险预警。
NVIDIA 发布开源表格基础模型 Kumo Tabular,输入带标签的表格后可在一次前向传播中预测新行标签,无需训练、微调或特征工程,支持分类与回归。
推荐理由:原文给出四项基准的排名与推理速度对比,读者可据此判断它相对调参梯度提升树和同类表格基础模型的位置。
NVIDIA 联合 Google DeepMind、EMBL-EBI 等机构,在 AlphaFold Database 中开放 2800 多种病毒的蛋白复合体预测三维结构,约 30% 的蛋白相互作用为科学界此前未记录。
推荐理由:开放数据集与 BioNeMo 结构预测流程的发布,让研究者能针对自选病毒蛋白靶点批量预测三维结构,降低实验成本。
Google Research 推出 MilleMiglia,一个用 C++ 编写的中间里程物流实例生成器,可生成现实且保护隐私的基准数据。该工具旨在解决中间里程优化研究缺乏公开高质量数据的问题,将配送建模为时空图上的多商品流问题。源代码和文档已在 GitHub 开源。
Google Research 在 ICML 2026 论文中提出 Retrieve-for-Train 框架,用离线 RL 将数据库感知的查询分解编译为监督信号,推理时无需思考 token 即可单次生成属性对齐的查询扇出。
Google Research 在 ACL 2026 提出 ToolGrad:一种"答案优先"的工具使用数据集生成框架,先构造真实工具调用链再反向标注用户提示词,以更低成本生成更复杂、通过率接近 100% 的工具调用数据。
Google DeepMind 发布 AlphaGenome Atlas,这是一个包含人类基因组全部 90 亿个单核苷酸变异分子效应预测的平台,即日起通过免费网站门户向学术研究开放。
推荐理由:Atlas 把 AlphaGenome 的预测预计算成覆盖全部 90 亿变体的图谱,规模超 AlphaFold 数据库 30 倍,可对照后者的路径评估其科研影响。
Google DeepMind 与 Google Research 发布 WeatherNext 3,据 Brightband 独立实时评估为迄今最先进、最准确的全球气象模型。
推荐理由:原文给出了它直接从实时卫星观测学习、逐小时生成 5 公里分辨率预报的技术路线,读者可据此判断 AI 气象预报的能力边界与落地方式。
微软研究院联合华盛顿大学与 Providence 发布开源病理基础模型 GigaPath-Flash 与 GigaTIME-Flash,权重与代码以 Apache 2.0 许可在 HuggingFace 开放。
Mistral 与 HUMAIN 宣布战略合作,将在沙特及中东地区推进主权 AI,合作规模达数亿欧元。双方初期聚焦网络安全与语音,计划开发阿拉伯语表现强劲的前沿模型,Mistral 还将探索使用 HUMAIN 的数据中心基础设施支持本地算力需求。两家公司同时计划在沙特推出面向受监管行业的联合市场策略。
Microsoft Research 发布深度学习 DFT 泛函 Skala 1.1,训练数据为首版的 2.5 倍,GMTKN55 加权平均误差 2.8 kcal/mol,在 55 个类别中 32 个排名第一。
Berkeley AI Research 提出 ABBEL 框架,用自然语言信念状态替代完整交互历史作为智能体上下文,并通过信念评分(belief grading)监督摘要内容。
UC Berkeley 的 Aditya G. Parameswaran 与合作者提出,随着推理成本趋近于零(GPT-4 级能力从 2023 年初约 $30/百万 token 降至 $1 以下,部分厂商低于 $0.10),数据系统面临三大挑战:为智能体、由智能体构成、由智能体构建。