跳到正文
10月25日周日
10月24日周六
  1. 量子位63

    达瓦科技 Scenes AI 获 NVIDIA 半程展示卓越企业奖,单张 RTX 显卡实时运行 34B 世界模型

    10月15日,重庆达瓦科技凭借实时世界模型产品 Scenes AI 在 2026 NVIDIA 创业企业展示半程展示上拿下「半程展示卓越企业奖」。该产品不预测下一帧,而是维护场景、人物、相机、灯光等可单独读写的世界状态,只更新发生变化的局部,目标编辑成功率为 98.2%、人物身份保持率为 93.3%。

  2. AWS Machine Learning Blog47

    Amazon SageMaker AI 上的多轮强化学习:实战指南

    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。

10月23日周五
  1. IT之家64

    中国信通院报告称 2026 年国内大模型均价与每秒吞吐量均翻倍

    中国信通院等机构联合发布《大模型词元服务性能监测报告(2026 年)》,显示 2026 年国内大模型每秒吞吐量与归一化均价较 2025 年均接近翻倍。8 月国内模型平均 TPS 为 78.23 个/秒,2026 年以来归一化均价 13.46 元,而 2025 下半年为 6.8 元;平均 TTFT 升至 1.26 秒,上下文达 1M 的模型占比 47.8%。

  2. 博客园52

    用 Python 从零搭建 RAG 系统:40 行跑通,再谈优化

    作者用 Python 演示如何以约 40 行代码跑通 RAG 最小闭环(切分、向量化、检索、生成),再逐步加入阈值过滤、BM25 混合召回、交叉编码器重排与权限隔离。核心主张是数据质量优先于模型、检索质量决定约 80% 的效果,建议先跑通再按瓶颈逐层优化,并给出 chunk_size 默认 500 字符、相似度阈值 0.6–0.75、检索命中率 0.8 及格线等可复用参数。

  3. 博客园78

    让 LLM 输出不再失控:用 Pydantic 校验大模型输出

    这篇教程以简历信息抽取为例,演示用 Pydantic 校验大模型输出:先从返回文本里抠出 JSON,再按 schema 做类型、范围与跨字段核对,失败后把错误信息回喂模型重试。全程用模拟数据,pip install pydantic[email] 即可跑通,并附接真实 API(temperature=0)以及 LangChain、LlamaIndex 结构化输出的对接方式。

    推荐理由:原文给出了一套可直接复用的 LLM 输出校验写法,读者能照着把 prompt 里的口头约定变成每次调用都执行的代码契约。

  4. 博客园21

    开源企业级一站式 AI 智能测试平台(附平台架构与技术选型)

    AI 进化社推出开源企业级一站式 AI 智能测试平台,将分散的 AI 测试能力整合为统一可复用的企业级解决方案。平台采用六层架构设计,支持插件化场景扩展与私有化部署,通过 AI 网关统一调度云端与本地大模型。技术栈基于 Python、FastAPI、LangChain 与 Vue 3,覆盖自动化、性能、安全及 AI 测评全场景。

  5. MIT Technology Review · AI21

    如何设计经久耐用的 AI serving harness

    企业 AI 的竞争优势正从“选哪个模型”转向围绕模型构建的 serving harness——即决定架构、内存管理、调度与优化的外围工程系统。文章主张从业务负载而非模型本身出发选型,坚持“先测量再优化”,并让架构能吸收模型与硬件的持续迭代。EXL 在其 Engineering the Harness 系列中对这些生产落地问题作了更深入的探讨。

  6. MIT Technology Review · AI15

    可扩展 AI 的基石

    MIT Technology Review EmTech Future 会议的一场分享指出,可扩展 AI 系统需要数据、工程、平台、运营模式与治理协同运作。Vanguard 人工智能与洞察中心(CAI)负责人 Jing Wang 探讨了在高度受监管环境中构建这一基础,以及负责任地落地智能体(agentic)系统等新兴能力,为投资者创造长期价值。

  7. AWS Machine Learning Blog74

    使用 Amazon SageMaker training session APIs 编写自定义训练循环,无需管理 GPU

    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。

  8. AWS Machine Learning Blog60

    Amazon SageMaker AI 宣布推出训练会话,无需管理 GPU 即可定制模型

    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》

  9. AWS Machine Learning Blog35

    Rescale 如何用 Strands Agents 和 AI-DLC 构建 AI 分诊智能体

    Rescale 用 AWS 的 AI-DLC 框架构建 AI 测试分诊智能体,5 天内完成从问题定义到预发布部署,数周内进入生产。该智能体运行在 Amazon EKS 的 Argo Workflows 流水线中,调用 Amazon Bedrock 上的 Claude Opus 4.8,将夜间 Playwright 测试失败分类为基础设施问题、代码缺陷、不稳定测试或环境问题。

10月22日周四
  1. 博客园76

    less-ai-tone 去 AI 味网页工具:基于 282 万字人机对照的本地检测与改写

    作者把 lieflat-less-ai-tone 的人机对照统计做成一个零依赖的单文件网页工具,可在浏览器本地检测 AI 文风痕迹,再调用大模型改写。规则来自 629 篇、282 万字、95,551 句的人机对照,11 项特征成立、15 项是误会,其中 3 项方向相反。

    推荐理由:作者把 629 篇人机对照统计落成可离线运行的单文件检测工具,并明确列出不成立特征,避免误改。

  2. 掘金39

    从零到实战:AI 全栈学习进阶路线

    AI 全栈工程师需要打通算法、工程与应用三层能力,学习路线分为基础、模型、工程、应用四个循序渐进的阶段。基础阶段掌握 Python、NumPy、Pandas 与数据科学,模型阶段用 PyTorch 跑通神经网络"训练—验证—预测"闭环。

  3. 博客园68

    如何用 AI 帮我写出实用的 uTools 插件

    作者用 WorkBuddy 等 AI 编程助手开发了电脑配置体检、开发配置速查、电脑空间管家三款 uTools 插件,并完整复盘了协作开发的方法。核心经验是先把场景、界面和验收标准讲清楚,让 AI 先查 uTools 官方文档再动手,每写一块功能就配套自测脚本,评分口径和删除规则等取舍由自己拍板。空间管家实测在 56 万个文件的用户目录下约 40.8 秒扫完。