找到 37 筆
曼徹斯特大學 Digital Manufacturing Lab 提出相容性感知形態學習（Compatibility-Aware Morphology Learning）框架，把微結構間的邊界幾何相容性直接編碼進低維設計空間，使不同拓撲單胞能夠連續過渡，論文已被 CMAME 接收，程式碼與資料在 GitHub 開源。該框架還結合基於先驗的資料篩選，在進入昂貴多物理場最佳化前先篩掉聲學潛力不足的候選結構，並以力學—聲學協同設計作為驗證案例。
OpenAI 官方帳號發布一條簡簡訊息，介紹用互動式視覺化來探索想法，畫面會隨著使用者學習、嘗試和發現而作出回應。帖文未披露具體產品名稱、功能形態、上線時間與適用平台，也沒有說明是否面向付費訂閱使用者或已進入測試。
有使用者在 Reddit 發帖討論對 Kimi K3.5 的期待，稱 K3 已是令人喜愛的模型，好奇 K3.5 會有多強。帖主回顧稱 K2 已經不錯，K2.5 憑藉持續學習階段提升到全新水平，據其記憶使用了超過 20-25T token。該帖未提供 K3.5 的發布時間、引數或官方資訊。
NVIDIA 以監督微調、強化學習和反饋式推理專門化 Nemotron 3，在 IOI 2026 與 IMO 2026 雙雙達到金牌水平。IOI 2026 的 Nemotron-3-Ultra-CC 在與人相同的時限和提交限制下取得 535.4/600，高於 361.12 的金牌線和人類最高分 498.27，但屬非官方、無監督基準，未計入官方排名。
Cloudflare 發布兩個自研決策模型 Clef 與 Clef-flash，託管於 Workers AI，並以 Apache 2.0 許可在 Hugging Face 開源，可本地執行。Clef 在 Jev Decision Index 上排名第一，具備視覺編碼器與 64k 上下文視窗，中位延遲 209.3ms，快於 Jev 的 524.1ms。同時推出強化學習微調產品，供使用者按自身場景微調 Clef。
一項研究指出，近期自主機器學習工程（MLE）agent 普遍依賴多 agent 編排器、專用檢索子 agent 等複雜框架，但更簡單、僅靠 read、write、bash 原語直接訪問執行環境的 coding agent 路線卻少有人研究。該工作正是要回答：強 agent 做自主 MLE 究竟需要多少這類外圍框架。
論文提出 RLTL;DR 方法：在可驗證獎勵強化學習（RLVR）中，當任務難到模型幾乎無法成功、又沒有教師模型或範例解可蒸餾時，讓策略在每次失敗後檢視驗證器輸出，並自行寫出一條 TL;DR 式反饋，下一次 rollout 以此為條件。該方法面向自我改進場景，替代只最佳化成功嘗試的常見做法。
論文提出 RISED，用評分標準（rubrics）驅動多環境 agent 訓練的 prompt 組選擇與自蒸餾。作者指出現有課程與資料選擇策略多在環境層面分配訓練，或只依賴區域性 reward 訊號，沒有顯式利用不同環境當前 rollout 之間的關係來挑選 prompt 組。同時各環境學習速度不一，同一 batch 內會並存全失敗與全成功的 rollout 組，這批資料無法獲得 group-relative 獎勵訊號。
OpenAI 將在 ChatGPT for Teens 中加入 College Planner，把目標院校的申請要求、截止日期、任務和助學金步驟彙總為一份可更新的計劃，首批面向美國 10–12 年級準備申請四年制大學的學生，未來擴充套件到更多國家及兩年制、技術與職業學校。官方公布的早期資料顯示：獲得該體驗的青少年平均多發出約 270 萬條學習相關訊息，一週內近 120 萬青少年使用 Learning Visualizations，超 18 萬使用 Study Mode；
Sergey Levine 在播客 The Peterman Pod 中表示，機器人硬體已「足夠好」，當前最大挑戰是建立讓機器人理解外部世界的決策迴圈，而非控制身體。他認為正確順序是先積累紮實的具身經驗，再接入影片等其他來源資料，與先用網際網路影片訓練的路線相反；機器人對可靠性的要求高於大語言模型，強化學習尚未解決從 95% 到 100% 的最後一步。
OpenAI 公布了面向 18 歲以下使用者的 ChatGPT for Teens 的最新進展，該體驗會自動應用於被識別為未成年人所屬的帳號，保護措施預設開啟。同時預告即將推出的 College Planner，面向計劃就讀美國四年制大學的高中生，把申請要求、截止日期、任務和助學金步驟集中在一起。此外還有新的學習工具，以及對大學顧問和青少年聲音的支援。OpenAI 表示會繼續建置這些工具，並在實踐中評估其保護措施的效果。
NVIDIA 第 26 屆研究生獎學金專案已面向全球開放申請，每位獲獎博士生最高可獲 6 萬美元資助，並配導師與技術資源支援。申請者須已完成至少一年博士階段學習，研究方向涉及 AI、機器學習、自動駕駛、計算機圖形、機器人、醫療與高效能運算等領域。2027-2028 學年申請截止日期為 2026 年 10 月 30 日，且獲獎者須在 2027 年暑期到 NVIDIA 研究辦公室完成線下實習。該專案自 2002 年啟動以來已發放超過 220 筆資助，總額約 800 萬美元。
一篇論文指出，設計物具有本體性，會塑造甚至限制人們認為可能或可想像的東西，而讓使用者掌握系統設計與建置的權力是緩解這種封閉的一條路徑。儘管圍繞支援使用者自建的系統的研究已有數十年，但這類系統通常只按可用、有用或技術可行來評估，本體邊界協商的問題一直未被考察。作者為此設計了兩個開放式探針，藉助 Wizard of Oz 技術，讓參與者體驗訓練個性化機器學習系統的過程。
蘋果機器學習框架 MLX 發布 v0.32.0，本次更新在 iOS 上預設啟用 Metal 後端，併為 Windows 加入 JIT 編譯器支援。版本還包含大量 CUDA 與 Metal 核心修復、int32 溢位處理、JACCL 通訊修復，以及 mlx.core.linalg 新增行列式與符號對數行列式函式。
OpenAI 開發者帳號發布預告，介紹一款名為 dot 的產品：它會學習使用者的工作方式，跨應用保留上下文，協調 Codex 任務，並標記需要使用者關注的事項。該訊息未披露發布時間、價格、支援平台或具體功能細節。
OpenAI CEO Sam Altman 在社交平台表示，dot 是他迄今為止最喜歡的 OpenAI 產品。他稱 dot 每天都能明顯變得更好，因為它不斷學習他的工作流程和風格；把那些自己不喜歡做、通常會積壓成負擔的事情交給 dot 讓他非常滿意。
OpenAI 官方帳號發布推文，稱用視覺化內容把概念呈現出來，可以加深使用者對某個主題的理解。推文只有這一句話，未說明對應哪款產品或功能，也沒有給出上線時間和具體用法。
蘋果機器學習框架 MLX 發布 v0.31.2，重點擴充套件 CUDA 後端的量化矩陣乘支援，覆蓋 3/5/6 位量化與 qmm_naive、qmm_sm80 等路徑，並新增 CUDA FFT 支援。該版本還允許 MLX 被多執行緒用於獨立計算，JACCL 成為獨立庫，同時修復多執行緒退出崩潰、safetensors 偏移校驗等問題。
Reddit 使用者發帖詢問大家在開發什麼專案，稱可能是下一個 2 萬億美元創業機會，小型個人專案也歡迎。發帖者還要求說明所用模型和每月花費，並分享自己正在做一個可與朋友共享的專注房間，用於互相督促學習工作、休息時聊天。
Google 發布 EmbeddingGemma 2，一個把文字、程式碼、影像、影片和音訊對映到同一嵌入空間的多模態嵌入模型。它採用 740M 引數與模組化編碼器，面向端側場景最佳化；藉助 Matryoshka 表示學習支援 768 到 128 維的靈活維度，上下文視窗 8K，是純文字版 EmbeddingGemma 的 4 倍，並以 Apache 2.0 許可開放商用。
一名 Reddit 使用者發帖稱自己可能有點跟不上時代，剛開始學習 Claude AI，卻驚訝於它比其他 AI 工具強大得多，認為若正確使用 Claude，可為自己的多項業務節省數千美元的資源成本。帖子未給出具體業務場景、對比物件或節省金額的計算依據。
Hugging Face 後訓練團隊發布了一份多 harness 強化學習指南，介紹如何用 TRL 和 Harbor 等開源庫在不同 coding harness 中訓練開放模型。團隊稱，針對當前各人自建 harness（如 Pi 加擴充套件）的現狀，該方案給出了用任意開放模型在自訂 harness 上取得最佳效能的配方。指南已發布在 Hugging Face Spaces 上，作者歡迎反饋。
Hugging Face Hub 上線 RL Environments 專區：帶 rl-environment 標籤的資料集會在新篩選頁集中展示，環境仍是普通 dataset repo，沒有新倉庫型別、登錄檔或註冊流程。Harbor、Verifiers、OpenEnv、NeMo Gym 四個框架被註冊為 dataset library，頁面顯示對應圖示，Use this dataset 會生成執行命令，同一資料集可帶多個框架標籤。
Ai2 於 2026 年 10 月 2 日開源 AstaBrief 8B，一個把研究問題與檢索文獻片段轉成帶引用報告的模型，基於 Qwen3-8B 訓練，採用 SFT 加 DPO 而非強化學習。它已作為 Asta 的 Fast 模式上線，與 Claude 驅動的 Thinking 模式並列，整條流水線平均每份報告 51.1 秒，比 Thinking 模式的 178.5 秒快約 3.5 倍。
研究顯示，在相同預訓練資料預算下，多語言自監督語音模型仍落後於單語模型。作者在英語/法語 HuBERT 受控設定中測試兩種強化語言判別的干預，發現可縮小甚至在某些指標上消除這一差距，同時保留大量跨語言共享。
在 Hacker News 關於 openai/math 的討論中，Jake Boggan 稱自己斷續研究了 24 年的 Barnette 猜想似乎已被證明，編號是 problem 180。他早年沉迷圖論，曾搬到布達佩斯跟隨名家學習，期間開始做這個問題，前後投入數千小時，去年夏天還一度以為是自己解出來的。得知結果後，他說不知道該怎麼想，這種感受像聽說前女友突然死於車禍，並猜當晚不少人心情複雜。
Reflection 發布首個開放權重模型 Beam：稀疏 MoE，總引數 501B、啟用 23B，面向程式設計、推理與 agentic 負載。預訓練使用 23.8 萬億 token，RL 階段動用 10.5K 塊 NVIDIA GB300 訓練 4 周、生成超 1 億條 rollout、約 13 億個沙箱，官方稱是開放實驗室中規模最大的 RL 訓練之一。評測中其與 GLM 5.2 相當但推理算力少 3–4 倍，接近 Qwen 3.8-Max，原始能力仍落後 Kimi K3；
EmbeddingGemma 2 是一個緊湊的開源多模態嵌入模型，把文字、程式碼、影像、影片和音訊對映到統一的 768 維向量空間。開發者可通過 sentence-transformers 庫選擇性載入模組化模態編碼器，引數量在 270M 到 740M 之間，以最佳化記憶體佔用。模型還採用 Matryoshka 表示學習，支援將維度動態截斷至 128 維，在保持較高檢索效能的同時顯著降低向量資料庫的儲存需求。
OpenAI 隨新 GPT-6 模型推出名為 Intelligent UI 的新介面，週三起面向 Pro、Plus、Business、Enterprise 使用者全球上線，免費與低價 Go 檔使用者週四可用。ChatGPT 回覆中將大量加入可點選按鈕、任務定製計算器、互動式圖表、可編輯圖形等元素，官方稱目標是讓複雜主題更易學習。使用者可像調整其他個性化設定一樣，減少回覆中的視覺內容。
數學家 Jeremy Avigad 在客座文章中寫道，過去幾個月 AI 已能輕鬆生成一年前足以發表的數學成果，數學家日常工作流程中相當一部分必然改變。他給出三個應對方向，前兩個是解更難的問題、想更大的思想，並指出目前 AI 攻克的開放問題多是把現有技術拼接而成，靠強化學習訓練的系統長於超人式機敏，卻可能缺少創造力與更高層的戰略思考。
微軟推出 FrogNano-4B-2609，一個面向低視訊記憶體裝置的程式設計智慧體模型，基於 Qwen3.5-4B 後訓練而來。其額外訓練為純文字、聚焦倉庫級軟體工程，用約 1500 個合成 SWE 任務環境和基於可執行測試的獎勵做強化學習，不依賴更強模型的解題軌跡蒸餾。模型需配合 Leaf 工具框架生成結構化工具呼叫，產出的補丁須經人工審查、迴歸測試與安全驗證後才能使用。
Common Sense Media 10 月 7 日發布評估，認定 OpenAI 的 ChatGPT for Teens 構成不可接受的風險。這家專注青少年安全、提供應用與服務評測的非營利機構稱，該功能給出的青少年保護未達到 OpenAI 的承諾：該提醒家長時沒有提醒、危機情境下未提供恰當幫助，且仍會替孩子做作業。ChatGPT for Teens 於今年 8 月推出，帶有面向青少年的護欄，定位是幫助學生學習，相關結論以新聞稿形式發布。
Airbnb CTO Ahmad Al-Dahle 披露，公司目前 60% 的程式碼由 AI 生成，功能交付量同比增加近 80%，工程師人均 PR 吞吐量提升約 1.6 倍；約一半客服工單已完全由 AI 處理，與 Q2 財報中近 45% 的數字一致。內部上下文圖譜 Everest 幫助雜貨配送服務在 8 至 9 個月內上線，機場接送僅用約 6 周。Airbnb 採用多模型策略，至少部署 10 個定製模型，主要在開源模型上做後訓練和強化學習。
研究團隊與淘寶天貓合作推出 E-Commerce Bench，讓模型以商家身份在模擬市場中經營網店一整年。智慧體初始資金 10 萬元，可同時開多家店，在每天 600 分鐘的時間預算內完成選品、與供應商砍價、定價上架、管理庫存與現金流等決策。環境基於 6,886 個商品、60 個類目、576 家供應商和 12 種店鋪型別，需求與供應商報價由確定性核心計算，避免隨機噪聲和越獄砍價。評測從利潤、現金流、談判、防欺詐、效率、執行力和長期學習七個維度打分。
過去一年，OpenAI、Anthropic 等實驗室宣布解決了多個長期懸而未決的數學問題，其中甚至包括一道千禧年大獎難題，進展超出研究人員預期。但這些實驗室以矽谷式的高速推進，本應被慶祝的成果反而招致學界反彈，有數學家要求 OpenAI 證明未使用其工作成果，也有批評指向其行事方式。實驗室表示正在從早期的失誤中學習，承諾能否兌現尚待觀察。
Meta 發布 Brain2Qwerty v2，這是目前效能最高的端到端非侵入式腦訊號即時句子解碼流程，詞準確率達 61%，遠超其他非侵入方法的 8%，最佳參與者達 78%。模型基於 9 名志願者佩戴 MEG 裝置打字約 10 小時、共約 2.2 萬句資料訓練，採用端到端深度學習直接從原始腦訊號解碼，並微調大語言模型利用語義上下文。Meta 同時開源 v1 與 v2 完整訓練程式碼，合作方 BCBL 發布 v1 資料集。
一位開發者撰文稱，AI 輔助程式設計（vibecoding）只把樂趣前置：能快速做出可用原型，但重構和維護階段不再有趣，也缺少手寫程式碼帶來的成就感。他把建造的樂趣分為六種，認為 vibecoding 只能滿足「想到點子」「把點子變成現實」和「解決自己的問題」三類，攻堅後的成就感、作品完成的滿足感與學習樂趣都不會自然產生。他仍用 AI 做出了一些手工做不出來的東西，包括即時野火預警系統、Kobo 資料庫遷移助手和即時音準訓練應用，但表示過程不像自己寫小指令碼那樣好玩。