OpenAI 详述对抗性蒸馏防御与受保护推理防护进展
OpenAI 分享其检测与打击对抗性蒸馏的防御体系,并强化了 GPT‑6.2 Astra 与 GPT‑6.2 Sol 的受保护推理防护,内部自适应黑盒评估中攻击成功率从 GPT‑6 Astra 原有防护下的 54.0% 降至 0.2%。
推荐理由:原文给出了对抗蒸馏的攻击路径与多层防御设计,读者可了解保护推理痕迹为何成为模型安全的关键环节。
OpenAI 分享其检测与打击对抗性蒸馏的防御体系,并强化了 GPT‑6.2 Astra 与 GPT‑6.2 Sol 的受保护推理防护,内部自适应黑盒评估中攻击成功率从 GPT‑6 Astra 原有防护下的 54.0% 降至 0.2%。
推荐理由:原文给出了对抗蒸馏的攻击路径与多层防御设计,读者可了解保护推理痕迹为何成为模型安全的关键环节。
AWS 宣布 Amazon SageMaker HyperPod 推出增强基础设施可观测性,帮助更快定位 GPU 训练问题,同时覆盖 EKS 和 Slurm 两种编排集群。
Amazon SageMaker AI Serverless Model Customization 现已支持 Full Fine-Tuning(FFT),无需 GPU 预置或集群配置即可全参数微调模型。
AWS 为 Amazon SageMaker HyperPod 推出三项新能力,用于更早发现分布式训练故障并提升集群 goodput。
RadixArk 发布首个模型 DaisyRose-27B,基于 Qwen3.8-27B,用 Miles 强化学习框架在长程智能体任务上训练,会话最长 1M tokens。
推荐理由:原文给出以 1,200 个任务、18 天、144 张 H200 完成长程智能体强化训练的完整做法,可作类似训练方案的参考。
AWS Quick User Group DC 举办首次聚会,展示 AWS Quick 演进为统一 AI 助手,新增 agents、skills 及第三方连接器。Financial Independence Group (FIG) 分享了将 AWS Quick 作为企业分析“单一前门”的实践,基于治理数据构建 AI 智能体工作流。参会者在 50 分钟内成功构建定制应用,体验从报表到推理的自动化。
Hugging Face 基于 272 个生产环境 SFT 任务(约 7,382 GPU 小时、NVIDIA H200)发现,常用 FLOP 预估与实际耗时偏差很大(R² = 0.31,MAE 12.41 h),而仅用派发前配置信息训练的 CatBoost 回归器达到 R² = 0.98、MAE 1.71 h、中位误差 0.51 h。
Amazon SageMaker AI 宣布上线 AI 数据准备功能,覆盖自动标注、人工审核、合成数据生成、数据质量评估和数据转换,已在 US East (N. Virginia) 和 US West (Oregon) 区域正式可用。
推荐理由:原文把每项能力拆成可独立调用的模块并给出组合模式,读者可据此评估它能否接入现有数据工作流。
Microsoft Research 播客《The Shape of Things to Come》邀请微软首席科学官 Eric Horvitz、Scripps Research 的 Eric Topol 与微软研究员 Ava Amini,探讨 AI 将如何改变医疗与生物学的未来。
NVIDIA 的 Ian Buck 在芝加哥 SC26 开幕演讲中发布 Nemotron for Science、Rubin HPC GPU 和扩展的 Vera CPU 平台,并宣布与 IBM、费米实验室共建量子计算协同设计平台。
推荐理由:原文把科学智能体的落地案例与配套硬件、量子进展放在一起,读者可看到仿真、AI 与量子如何叠加。
NVIDIA 扩展 CUDA-X 库,为 AI 智能体提供工具,加速从天体物理、材料科学到单细胞生物学的科学发现。cuPhoton.xBeam 将黑洞观测数据分析从一个月以上缩短至 8 分钟,cuPotential 将分子模拟提速至 3x。新开源的 cuSpa 相比 CPU 提速 900x,Daviator 将量子力学计算提速至 22x、成本降低至多 75%。
NVIDIA Vera Rubin 平台首次参加 MLPerf 基准即包揽 MLPerf Training v6.1 全部测试,并在首次 MLPerf Endpoints 提交中实现智能体推理每瓦吞吐量超过 10 倍的代际提升。
AI2 联合 Carnegie Mellon、NVIDIA 和 Johns Hopkins 的研究者发布 XYBench 基准,包含 8115 条来自 Stack Overflow、Stack Exchange、WikiHow 等的真实问题,衡量模型能否识别用户请求中的隐含误解并引导其转向真正目标。
推荐理由:该基准提供了一种衡量模型识别用户误解能力的框架,实验显示五个主流模型在误解识别上仍落后于人类参考答案。
Microsoft Research Focus 第 98 期分享微软最新研究进展,涵盖 AI 通用翻译、解决 31 年的 KLS 猜想及提升编程智能体效率。APEC 方法通过后台准备摘要,将编程智能体成本降低 25.4%、执行时间缩短 9.6%。Latent Core Tokenizer 在 104 种语言上生成更具语言学意义的 token,提升多语言基准表现。
AWS SageMaker HyperPod 团队在 PyTorch DDP 训练循环中加入三项检查来捕捉静默数据损坏(SDC):非有限梯度检查、环形重放审计和权重指纹比对,报警后把嫌疑 rank 映射到节点并由 HyperPod 替换。
推荐理由:原文给出了一套可直接落地到 PyTorch DDP 训练循环的 SDC 检测与节点替换流程,并附上注入故障的实测开销和误报数据。
Google Research 提出一套研究框架,用消费级可穿戴设备的被动信号构建可干预的健康年龄(CHA)模型,并搭配在 228 万人周数据上预训练的世界模型 SensorWM 模拟未来 12 周的反事实健康轨迹。
Google DeepMind 发布新一代 DNA 序列模型 AlphaGenome 2,可预测遗传变异对数百种人类细胞类型的影响。模型改为条件化架构,在超过 100 million 个细胞档案、68 种组织上训练,在 TenK10K 数据集上识别出的因果变异数量接近上一代的两倍(30% vs. 16%),还能泛化到未见过的细胞状态而无需重新训练。
推荐理由:原文给出新模型相对上一代的条件化架构改动和近两倍变异识别提升,读者可判断它如何用于定位疾病相关细胞类型。
Google DeepMind 开放两套基础数据集 SatWeave 与 PARDIG,供全球研究者与开发者构建天气、水文和气候应用,二者均为 WeatherNext 3 模型的关键支撑。
推荐理由:原文交代了两个数据集的来源、分辨率与开放方式,读者可据此判断它们能否支撑自己的天气或气候应用。
Elith 与 NVIDIA 发布 Nemotron-Personas-Finance-Japan,据称为首个百万级规模的开放日本人物数据集,将日本官方统计与家庭财务和金融素养数据配对。
NVIDIA 在 CoRL 大会发布一系列开源机器人技术,包括 GR00T 2 世界动作模型、Isaac Lab 3.0 仿真框架及 DexBench、VABAR 等工业基准。
推荐理由:原文汇总了 GR00T 2、Isaac Lab 3.0 与新基准的能力数据,读者可比较仿真训练方案在工业场景的落地进展。
Hugging Face 与 Liva AI 合作,为 Open ASR Leaderboard 新增埃及和尼日利亚口音英语两组私有会话数据,时长分别为 1.34 小时和 1.55 小时。
Google Research 联合 Beth Israel Deaconess Medical Center 和 Harvard Medical School 在 Nature 发表研究,提出多模态 AI 系统 AI-PPG-ACC-HTN,利用消费级智能手表的 PPG 光学信号与加速度计信号,无需袖带校准即可被动检测高血压迹象。
推荐理由:研究以 24 小时动态血压监测为金标准验证,智能手表筛查准确度可比传统袖带流程,为可穿戴医疗级检测提供方法参考。
Google Research 提出 Agile Deliberation 框架,将主观概念分类器的构建重构为人机迭代对话,并在 18 场各 1.5 小时的真人实测中验证效果。
Indegene 在其 NEXT Unified Data Platform(NEXT UDP)上构建了生产级 LLM 驱动的 Data Quality Agent,可生成上下文感知的数据质量规则、完成验证并产出可直接运行的 SQL 和 Python 代码。
Amazon Quick 通过 S3 知识库接入非结构化文档、通过带语义描述的数据集接入结构化数据,用户可用单个对话式 AI agent 在同一对话中跨两类数据源提问并获得带引用的回答。
OpenAI 宣布将遵守共享 robots.txt 信号,帮助网站运营者向参与的服务商表达其 AI 训练偏好。网站可通过这一统一信号向各参与方传达 AI 训练意愿。
推荐理由:OpenAI 明确将遵守共享 robots.txt 信号,网站运营者可据此向参与方表达 AI 训练偏好。
AWS Batch 推出配额管理(quota management)调度功能,管理员可按团队或项目把计算容量划分为配额份额(quota share),并自动共享闲置 GPU 容量。
AWS 构建的 Ray Train DLC 是预置 EFA 网络栈的 PyTorch 分布式训练容器镜像,无需自建镜像即可在 EKS 上运行多节点训练。示例用 PyTorch FSDP 在两个 g6.12xlarge 实例的 8 张 NVIDIA L4 GPU 上微调 Qwen2.5-1.5B。
Google Research 提出 sleep 框架,让 LLM 在"清醒"与"睡眠"阶段间交替:清醒期处理交互并存入短期记忆,睡眠期解锁预分配的 MoE 记忆块,通过参数扩展、知识蒸馏与"做梦"式自我改进把短期记忆巩固为长期参数。该框架使模型能持续获取新事实、保留长达 10M tokens 的长上下文知识并提升复杂推理能力,同时缓解灾难性遗忘。
Exowatt 使用 Amazon SageMaker AI 无服务器模型定制构建可复用 AI 流水线,为边缘与云端两个部署目标产出任务专用微调模型,准确率超越前沿模型且成本最多降低 49×。该流水线基于 Qwen3-1.7B 微调用于边缘告警分诊,并基于 Qwen3-14B 微调用于云端能源市场分析。Exowatt 现在可在数天而非数月内完成从原始运行数据到微调模型的全流程。
OpenAI Signals 数据覆盖近 100 个国家的 165 项工作活动。该数据揭示人们如何将 ChatGPT 用于工作,以及使用方式如何随时间变化。
Amazon SageMaker AI 的多轮强化学习(MTRL)以整个任务序列的最终成败为奖励信号,用 GRPO 更新 LoRA 适配器来训练智能体。在 Wordle 示例中,MTRL 将 GPT-OSS-20B 在预留词上的解题率从 61% 提升到 84%(低推理强度下从 15% 升至 69%),训练 token 成本约 $339。
Amazon SageMaker AI 的 serverless 模型定制推出 training session APIs,把 forward_backward()、optim_step()、sample() 等 GPU 操作封装为 API 调用,模型常驻托管 GPU,服务负责分布式执行、梯度同步、容错与检查点,训练循环由用户在本地 Python 进程中编写。
推荐理由:原文把新 API 与 SageMaker 现有模型定制方案逐项对比,并给出可迁移的 GRPO 训练循环写法,读者可套用自己的奖励函数。
AWS 宣布 Amazon SageMaker AI 无服务器模型定制的训练会话正式可用,用户自己编写并协调后训练循环(含自定义损失函数和奖励信号),由 SageMaker AI 负责 GPU 分配、分布式执行、故障恢复与检查点存储。
同一新闻,精选展示《使用 Amazon SageMaker training session APIs 编写自定义训练循环,无需管理 GPU》
AI2 在 Hugging Face 发布 OlmoEarth v1.3 卫星嵌入模型,同时开放全球预计算嵌入(10m 分辨率、64 与 128 维)及浏览器工具 Embeddings Explorer,无需登录或 GPU 即可使用。
推荐理由:原文给出 27 项评测的横向对比、训练成本与开放入口,读者可据此判断卫星嵌入能否替代现有微调流程。
Google DeepMind 联合 Google Research、WRI 和 IIASA 发布 Forest Typology (ForTy) 2020 全球地图,把地球上每个 10×10 米地块划入六类森林或土地类型,并同步公开 2017-2025 年逐年变化的时间序列。
推荐理由:ForTy 把森林细分为六类并追踪逐年变化,让 EUDR 合规和供应链审计有了可直接使用的 10 米级基线数据。
NVIDIA 开放模型正支撑欧洲多国公共部门项目,让政府在受控基础设施上运行 AI 并保留数据主权。
NVIDIA 扩展 Cosmos 平台,新增训练工具、仿真检查点和 Cosmos Data Factory 蓝图,帮助物理 AI 开发者构建、评估和部署世界模型。
推荐理由:原文把数据、训练到部署各环节的工具与落地案例写得较具体,读者可据此评估其中哪些方法能迁移到自己的世界模型开发流程。
在 GTC Berlin 上,欧洲多家银行与支付公司正基于 NVIDIA 加速计算与开放权重模型,在自有基础设施上构建专有智能。Revolut 的基础模型 PRAGMA 已投产并服务 8000 万初始客户,规划扩展 3 倍;bunq 的智能助手 Finn 部署于 Nebius,单次回答成本仅为领先闭源模型的 60%。
AWS 演示在单台 trn2.48xlarge 实例(16 个 Trainium2 加速器、64 个逻辑 NeuronCore)上用 torchtitan 以三种方式训练 Qwen3。