用 YOLOv8n + 自研二分类模型做课堂行为识别:从 9000 张标注数据到 Flask 全栈落地
作者复盘校园课堂行为识别项目 EduBot,采用 YOLOv8n 人员检测加 5 个自研二分类模型的两级流水线,并用 Flask 完成全栈部署。项目用约 9000 张密集行人图像横向对比 Faster-RCNN 系列 4 个变体和 YOLO 系列 4 个版本后选定 YOLOv8n;趴桌、耳语等低召回行为在系统里降级为趋势提示并要求连续多帧命中。
作者复盘校园课堂行为识别项目 EduBot,采用 YOLOv8n 人员检测加 5 个自研二分类模型的两级流水线,并用 Flask 完成全栈部署。项目用约 9000 张密集行人图像横向对比 Faster-RCNN 系列 4 个变体和 YOLO 系列 4 个版本后选定 YOLOv8n;趴桌、耳语等低召回行为在系统里降级为趋势提示并要求连续多帧命中。
在本地用 llama.cpp 运行 9B 模型并接入自托管 AI 工作区 Odysseus,需要将对话外壳、推理服务与工具执行器分层对接并逐一排错。9B 模型权重存储约为 18GB,4 bit 量化下约 4.5GB,实际部署还需叠加 KV cache 与应用占用来评估 36GB 设备的可行性。工具调用的可见轨迹经清洗后可构造为微调数据,但训练前须先排除模板与接口问题。
大语言模型普遍基于 Transformer 架构,核心注意力机制可动态权衡序列中其他词的重要性,GPT 系列采用"仅解码器"架构逐 token 生成。PyTorch 源码演示了从缩放点积自注意力、多头注意力、位置编码到 Decoder Block 的最小实现,残差连接与 LayerNorm 稳定深层训练。
国务院印发《关于发展新质生产力的意见》,从 5 个方面部署 19 项重点举措,基础软件国产化替代成为关键核心技术攻关与产业链供应链安全的交汇落点。openEuler 系操作系统 2025 年新增装机份额突破 57.3%,国产数据库整体份额达 52.3%,但金融核心交易等深水区的 Oracle 存量仍超六成。数据库核心研发与运维人才缺口已超 30 万人,全栈协同正从商务合作走向内核级适配。
Apache Doris 在实时分析、高并发交互式 BI、成本敏感报表、JSON 半结构化分析和标准 SQL 多表关联场景可承接 Snowflake,但存储过程、原生自动迁移工具、原生数据共享和备份恢复等专属能力建议保留或评估。
卓驭构建多模态湖仓 ZLake 作为移动物理 AI 的数据底座,基于阿里云 DLF、EMR Serverless Spark、EMR Serverless StarRocks 与 PAI 打造 ZLake Store、Meta Lake 等核心组件。
AI 实验室 HUMXN 推出补贴模式:居民可免费获得管道、电工、暖通空调、风道清洁和地毯清洁服务,条件是允许佩戴可穿戴采集设备的人员进家录制技术工人作业,用于训练 AI 机器人。
杭州具身大脑企业格物通智完成近亿元天使轮融资,投资方包括鸿富资产、匹克投资、杭州资本、杭州人才集团、某省级具身产投及多家头部上市公司。本轮融资将主要用于物理反演世界模型的大规模预训练与技术迭代、硬件与本体构建,并推进多个场景 PoC 验证和真实数据采集。公司正与纺织服装、光模块及汽车零部件领域客户推进联合创新 PoC,预计 2026 年年底完成首个 PoC 交付。
卡尔斯鲁厄理工学院(KIT)团队提出 Read-Parse-Describe 页面级解析基准,要求模型一次交出按阅读顺序排列、含边界框、语义标签、识别文字、图注关联与替代文本的完整元素清单。
斯坦福与 CMU 的论文提出 Librarian Agents:训练 builder agent 在看不到任何用户问题的前提下,用建、并、删、停四个动作把原始文档重组成带溯源链接的分层文件系统,奖励直接取答题 agent 在隐藏问题上的答对率。
Qwen 团队提出 P2TPO,将整页文档解析的 RL 反馈从页面级平均分改为按参考元素逐块记账、再把功过精确落到对错 token 头上,13 个评测集全部超过 GRPO/GSPO/GDPO/RDPO 的最强基线。
本文讲解大模型训练的核心目标 Next Token Prediction:给定前 t 个 token 预测第 t+1 个,标签由文本自身错位生成,无需人工标注。
蚂蚁集团与浙江大学提出 ZoomCap 稠密描述框架,用草稿描述驱动检索、OCR 与定向放大三路证据按需路由,补回长描述漏掉的小物体与图中文字。配套 FactCycle 评测显示每图可回放事实 52.4 条,是最强基线 ScaleCap 的 1.7 倍;35B 教师模型在人类盲评中以 81.9% 偏好分胜过 Qwen3.5-397B-A17B。
Jev 是一种不生成任何 token、单次 forward pass 直接输出各选项概率分布的决策模型,目标是让模型给出的概率接近真实发生频率,下游决策不再靠手动调阈值。
港科大(广州)团队在 arXiv 发表 DocPilot(arXiv 2610.21327),把长文档问答拆成 Navigate、Extract、Focus、Solve。
本文用约 2500 万参数的 Llama 风格教学模型,在 CPU 上把字节输入、参数计数、前向检查、注意力变体、MoE 与后训练连成可检查链路。模型配置为词表 256、隐藏维度 512、7 层、8 头、FFN 中间维度 1632,权重共享后合计 25,026,048 个参数;文本以 UTF-8 字节直接作为 token ID,省词表但拉长序列,密集注意力成本随之上升。
一名学生将自己用 AI 辅助开发的 AI Agent 项目完整开源,453 个测试全部通过,公开请求生产环境开发者做代码评审。项目已不是聊天 demo,而是包含强化学习对话闭环、向量语义记忆、RAG 知识库(BM25 + 向量混合检索)与仿真自测的完整系统。文档模块可解析 PDF、Word、.epub 等格式,回答可一键导出 10 种格式,代码托管在 GitHub 和 Gitee。
笔者所在团队把 AI 回答的来源列表拆成引用位置、URL、域名三层分别存储与统计,并在自建 AI 可见度监测库(项目 56,查询日 2026-10-18)上跑出 815 条带被引链接记录、273 个去重网页、140 个归并站点三个不可互相替代的数字。归一化只剥约定的跟踪参数、保留其余参数,域名归并放在最后且不可逆;引用位置层是区分主推来源与兜底来源的唯一字段。
大模型训练先用 Softmax 将输出向量归一化为各 token 的概率,再以交叉熵损失函数量化预测与正确答案的差距,最终经反向传播与梯度下降更新参数。前置数学基础包括矩阵乘法、对数、偏导数与链式法则,用于推导 Softmax 归一化与信息量、交叉熵的数学性质。
Meta 更新商业使用条款,声明可使用企业账号域名、网页或 URL 的内容来提供、开发、改进、研究、训练和维护其产品与服务,被法律专家认为可能允许其抓取任何拥有 Meta 企业账号的发布者网站用于 AI 训练。Meta 发言人坚称条款并未改变其网页抓取方式,The Verge 报道该条款现已被移除;Meta 声明称合并后的抓取条款仅适用于其广告和商业产品。
Meta 更新商业服务条款,声明有权使用企业账户域名、网页或 URL 的内容以提供、开发、改进、研究和训练其产品与服务,引发争议后现已删除该表述。法律专家指出,该条款可能赋予 Meta 抓取任何拥有 Meta 企业账户的内容发布商网站并用于训练 AI 模型的权限。
Meta 已从其商业条款中移除暗示可抓取网站内容(包括新闻网站)训练其 AI 的争议性措辞。此前该措辞被 Nieman Lab 和康奈尔大学数字与信息法教授 James Grimmelmann 等解读为允许 Meta 免费使用抓取内容训练 AI,并凌驾于 robots.txt 屏蔽指令之上。
DeepSeek 今天把网页、App、API 三端的线上模型切换为 V4.1-Flash-1017,价格不变。官方贴出的十一项成绩里只有两项能与旧版直接比对,DeepSWE 从 74.2 涨到 77.0,HLE(w/o tools)从 44.0 掉到 42.6;官方称训练方法为自反馈强化学习,模型写完代码会自己先跑通再提交。
OpenAI 于 9 月初公布 166 页 Navier-Stokes 问题潜在证明,多位数学家认为其方法与所声称依据的 Córdoba 和 Martínez-Zoroa 路线仅表面相似,证明用 Lean 写成并由 Clay Mathematics Institute 审查。
在偏度 2.07、混着 5 笔团购大单的订单金额数据上对比 MinMax、Standard、Robust 三种特征缩放器,结论是 RobustScaler 最适合又偏又脏的真实业务字段。
作者用一份混入 5 笔团购单的合成订单金额数据(偏度 2.07)逐个跑了 MinMax、Standard、Robust 三种缩放器,并给出按异常值占比和偏度判断的选型函数。
“风清”人工智能全球短中期集合天气预报系统 V1.0 通过业务化评审,正式投入全国气象业务运行,是我国首个数据、模型和算力完全自主可控的业务级气象 AI 集合预报模型。
作者按问题定义、数据与语料、Tokenizer、模型架构、预训练、系统性能、评测、后训练与对齐、安全合规、推理产品化十个环节,摊开自研大模型的技术门槛与对应技术栈。作者本人在用一张消费级显卡打通约 0.3B 参数小模型的预训练链路,核心建议是先跑通可中断、可续训、可复现的最小闭环,再扩数据扩参数;训练主链以 Python + PyTorch 为主,CUDA 与多机并行可后补。
有人用洗车常识题测了 53 个 AI 模型,42 个答错,本文将这种奥数满分、常识翻车的偏科归因于只在有标准答案的科目上做强化学习,并给出按能否当场验真分三档使用 AI 的框架。哈佛实验显示,做 AI 不擅长的任务时,用 AI 的人答对率比不用的人低 19 个百分点。DeepSeek 靠刷题把数学正确率从 15% 提升到 71%。
商务部、科技部发布2026年第48号公告,就修订《中国禁止出口限制出口技术目录》公开征求意见,拟增列40项技术,其中AI占23项,禁止出口14项、限制出口26项。
推荐理由:原文厘清了禁止、限制与开源豁免的分级边界,可帮助判断 API 出海、模型权重转移和开源项目各自是否受影响。
微软研究院发布研究系统 StudentSim,为每位学生训练个性化“AI 学生模拟器”,无需大规模真人实验即可评估讲解是否真正帮助学生进步。系统采用两阶段训练,覆盖国际象棋、英语写作和数学,并推出 StudentSimEval 评测基准。
该学习路线按入门、进阶、工程、精通四阶段推进,每阶段都给出可运行的代码产出,避免学了用不上。内容覆盖 NumPy 手写梯度下降、PyTorch 实现线性回归与注意力机制、FastAPI 封装推理服务,以及 LoRA 微调、Prompt 工程与 RAG 应用。学习建议动手优先、项目驱动,先跑通基线再追求 SOTA。
Elastic 提出去中心化的数据网格方案,回应英国内政部警务改革白皮书的数据整合需求,让数据留在各警队本地治理的同时实现全国互联互通。白皮书提议设立国家数据整合与利用服务(NDIES),警察国家计算机系统将于 2026/2027 年度由执法数据服务(LEDS)取代。
中国商务部与科技部发布出口管制目录草案,拟将大模型、智能体、算力集群和数据处理等 23 项关键 AI 技术纳入管制,可自主编写或篡改恶意软件以攻击关键基础设施、军事或政府机构的 AI 工具面临全面出口禁令。
推荐理由:草案给出 10^26 FLOPs、2 万亿参数或全球前十的管制门槛,并设开源自动许可通道,读者可据此评估对开放权重模型生态的影响。
10月8日~11月8日,方舟 Agent Plan 个人版 × 火山引擎数智平台专业数据集限时免费开放,订阅用户可获 1000 次调用额度。额度覆盖企业工商 400 次、企业风险 400 次、宏观经济 200 次,在控制台“配置 Harness”中开启专业数据集 MCP 即可接入 Agent。资格与额度按账号维度发放、不可转移,三类数据库分别扣减,活动结束后剩余额度作废。
据 Nieman Lab 报道,Meta 将于 10 月 30 日生效的新商业条款允许其抓取与平台业务关联的网站内容,用于开发、改进和训练 AI 产品。
推荐理由:对比 Meta 已与 CNN 等媒体签署的授权协议,新条款可能让更多出版商的内容被免费抓取用于训练。
本篇把自建字符级 GPT 的注意力重组为融合 QKV 投影,改用 PyTorch 的 scaled_dot_product_attention,并加入 Token Embedding 与输出层权重共享、统一参数初始化和残差投影缩放。改造不改变 Transformer 的数学结构,但参数组织方式变化导致旧检查点无法直接加载,需在新目录重新训练,并用因果性测试验证模型仍不读取未来位置信息。
Google DeepMind 推出 Gemini 4 Argon,将仿真环境生成、机器人直接控制和训练数据评估整合进单一模型。输入照片或手绘草图即可生成仿真场景与训练任务,真实机器人任务成功率从 56% 提升至 75%,执行时间从 35 秒缩短到 24 秒。
谷歌联合创始人谢尔盖·布林表示,Gemini 模型正迈向自我改进的关键时刻,AI 已开始参与打造自己的下一代模型。布林在 Gemini 4 Argon 圆桌讨论中指出,Flash 系列模型已显示这一趋势,谷歌正开始踏上 RSI(递归自我改进)的跑步机;Argon 安全报告披露 AI 智能体已承担大部分生产代码编写和漏洞修复,但代码变更提交前仍须人工审核。
微软 AI 业务 CEO 穆斯塔法·苏莱曼在员工大会上表示,微软自研模型 MAI-Base-2 的性能超过驱动 GPT-5.6 Sol 的 OpenAI 模型,训练算力仅为对方的四分之一。