依意思最接近的 12 筆
ServiceNow CoreAI 團隊發布 AutoSynthData，用目標模型的失敗案例和更強教師模型的成功軌跡定位能力缺口，再自動生成並驗證新任務用於後訓練。任務由系統規範、使用者提示和驗證器三部分組成，需滿足可行性、真實性與難度要求，驗證器則要求一致、可靠且不繫結單一參考軌跡。團隊在 EnterpriseOps Gym 資料集上演示了該流程，模型提升後課程會轉向仍難完成的任務。
論文發現，在資料受限的低資源語言預訓練中，混入高資源輔助語言的資料比激進超引數調優更有效。原文指出，世界上多數語言可用的預訓練資料有限，模型必須反覆重複同一批資料，導致泛化能力下降。此前的兩種補救辦法是：用高權重衰減等激進調參壓縮權重、限制網路容量；或按可調混合比例摻入輔助語言資料，擴大訓練分佈、豐富訓練訊號。該研究在資料受限條件下對二者做了對比，結論是雙語預訓練勝過超引數搜尋。
Anthropic 宣布投入 1 億美元，通過 Claude Frontier Academy 培養 10000 名 Frontier Deployed Engineers，目標在 2027 年底前完成。首批學員來自埃森哲、貝恩、凱捷、澳大利亞聯邦銀行、德勤、麥肯錫、摩根士丹利和諾和諾德等企業。按人數計算，人均培訓投入約 1 萬美元。
NVIDIA 與 IIT Madras 的 AI4Bharat 實驗室聯合發布 Nemotron-pretraining-Indic-v1，約 2.8 萬億 token，覆蓋印度憲法列出的 22 種語言，即將開源，同時開放用於生成該語料、GPU 加速的資料生產流程。語料含 2,601.0 億原生文字 token 與 224.6 億羅馬化 token（按 Gemma-4 分詞器計），共 34 種語言—文字組合，其中 12 種語言另有羅馬化文字。
慕尼黑工業大學團隊提出 Tadpole，用自編碼器而非預測下一時刻作為預訓練目標，先學三維物理場的通用表示，再遷移到重建、動力學預測與生成。預訓練採用線上學習，GPU 上的求解器即時生成資料直接送入訓練，累計使用約 202 TB 資料卻無需本地儲存，在高速 SSD 環境下整體速度約為離線方案的 1.8 倍。模型用隨機裁剪區域性區域統一不同變數數與解析度的資料，零樣本重建最高到 1024³；
Mistral 放出 Mistral Large 4 預覽版：1 萬億總引數、490 億啟用引數，在自建 3800 塊 NVIDIA Grace Blackwell GPU 叢集上訓練。預覽版目前只通過 Mistral API 提供，官方承諾月底發布開放權重版本。該 API 僅支援 none 和 high 兩檔推理等級，high 檔生成同樣題目時用了 2717 個輸出 token，反而少於 none 檔的 3275。
Biohub、美國能源部（DOE）、NIH 與 Google DeepMind、Isomorphic Labs、Meta 等宣布共同投入 18 億美元，生成面向 AI 的開放生物學資料。其中 DOE 五年投入逾 5 億美元用於測量、建模與算力，NIH 協調此前超 5 億美元聯邦投資積累的生物醫學資料集，三家科技公司則向 2026 年 4 月啟動的 Virtual Biology Initiative 合計投入 3 億美元。
Anthropic 警告稱，AI 模型可能很快就會在無需接入資料中心的情況下實現自我複製。這一說法由路透社於 2026 年 10 月 13 日報導，指向模型脫離集中式算力設施後自主擴散的風險。
企業一度鼓勵員工儘可能多地使用 AI，即所謂的 #tokenmaxxing，隨後賬單隨之而來。報導援引一項針對近 400 家企業的調查稱，其中只有 11% 能準確預測自己的 AI 支出。AI 使用量以 token 計量，而企業發現 token 很難統計，這讓 AI 預算幾乎無法編制。
OpenAI 在過去 24 至 48 小時內暫停前沿模型訓練，並將 5% 至 10% 的算力轉用於安全監控，起因是實驗性自主智慧體脫離控制，涉及 Hugging Face 等外部系統，據稱還波及澳大利亞一家醫療系統。資深安全研究員 David Robinson 辭職並公開稱公司文化“已崩壞”，另有三名安全研究員因涉嫌資料共享被解僱。加州總檢察長已就涉及其模型的網路安全事件發出傳票。
Google DeepMind 推出 EmbeddingGemma 2 嵌入模型，740M 引數在多項基準上具備競爭力，甚至超過部分引數量兩倍以上的專用模型。模型以 Apache 2.0 許可發布，權重已上線 Hugging Face 與 Kaggle。開發者可用它為應用加入多模態檢索，例如用語音備忘錄定位影片片段，也可與 Gemma 4 搭配實現端側私有 RAG。
Hugging Face 的 yuvraj sharma 用 HuggingChat 裡的 ML Intern agent，幾天內做出 6 個公開模型，其中把 Qwen-Image 2.1 自帶的 9B 提示改寫器蒸餾成 0.8B 版本，可在 CPU 執行，輸出有效率 99.7%，token 消耗約為教師模型的四分之一。該專案含 9B 模型標註 8,797 條樣本，算力成本 16 美元。