找到 12 筆
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。
清華大學李一鳴團隊發布世界動作模型 PrismWAM，在雙臂操作基準 RoboTwin 2.0 上以平均成功率 83.67% 位列官方榜首，且未做額外的動作資料預訓練。該模型把語義上下文與物理狀態解耦，動作生成只讀取深度物理表徵，在 Clean-to-Random 高難度遷移評測中成功率達 75.5%。
H-Nets（分層網路）公布擴充套件實驗結果：兩級（2-stage）版本在匹配開源模型的情況下，只用了約 1/10 的算力和資料就取得更優表現。作者同時給出受控的 1-stage 縮放階梯，顯示僅靠可學習的 tokenization 就能帶來 3 到 5 倍算力效率提升。H-Nets 把位元組到詞的切分放進模型內部端到端完成以取代 BPE 分詞器，並觀察到上下文內分詞等此前語言模型未見的行為，相關研究還延伸到生物與視覺任務。
10 月 14 日，破曉智慧（PHANES AI）聯合天瓏移動發布全身全模態資料採集系統 SeePhys Hub，想在輕量 Ego 第一視角影片與高精度動捕、真機遙操作之間補上中間層資料。整套裝置由四目頭環、兩個腕部手環、三個腰腿部追蹤器和可分離觸覺手套組成，同步記錄 193° 水平視場的第一視角視覺、手部位姿與觸覺、全身運動資訊。官方給出的指標是全身姿態定位誤差中位數低至 1.5 釐米，頭環內部相機、IMU 與 UWB 同步誤差不超過 0.5 毫秒；
據量子位梳理公開報導與業內線索，為 OpenAI 供應具身（第一人稱視角）訓練資料的供應商指向成立僅兩三年的 Maxinsights，OpenAI 未官方披露。該公司累計交付超 200 萬小時資料，另有 150 萬小時帶手部追蹤與語言標註的資料，月採集 45 萬小時，覆蓋 2000 多個真實環境、5 萬多個場景。
Ollama 表示過去數月在美國擴大算力部署，並與 Crusoe 合作，為使用者提供零日模型和完整零資料保留（ZDR），同時保持高效能。Ollama 團隊參觀了 Crusoe 與 Redwood Materials 在內華達州的站點，稱更多細節將很快公布。
Google DeepMind 的 Pushmeet Kohli 與 Biohub 的 Sal Candido 在對談中表示，AlphaFold 的突破只是開始，蛋白質摺疊問題遠未解決。兩人認為僅擴大算力與資料不足以解決生物學問題，關鍵是先找到合適的 scaling law，低品質宏基因組資料也能提升蛋白質語言模型；建置虛擬細胞需要根本不同的資料集，研究須從單個蛋白質走向整個生物系統，治癒所有疾病要靠 10x 級突破而非漸進改進。
智元發布具身模型 GO-3 Preview，稱在預訓練、後訓練和部署後實現全鏈路規模化學習，並在 RoboDojo、RoboTwin、RoboColiseum 三項評測中排名第一。其預訓練約九成使用人類第一視角資料，採用 WRAM 架構；後訓練系統 Genie Evolver 結合百臺級真機、模擬與世界模型，手機包裝任務成功率由 50.8% 提升至 98.3%。
SLDBench v2 把「做哪些實驗」也交給 AI，8 個前沿模型需要自主選擇實驗後，成績全部下滑，預測誤差擴大到原來的 1.5 至 4.7 倍。該基準把 30 個任務的真實訓練記錄做成一份標價目錄，AI 按當年實際消耗的算力付費購買結果，再據此預測從未見過的更大規模實驗。表現最好的 Claude Opus 5.5 只花全量成本中位數 4.01%，R² 中位數 0.570，仍超過經典冪律公式用全部資料擬合的 0.455。
字節跳動在 arXiv 發布 USDB，一套面向下一代推薦系統的統一序列儲存，生產遷移後平均寫延遲降低 85.8%、基礎設施成本降低 42.1%。它通過 CascadeLSM 按時間分級壓縮、差異化副本共享持久檔案、部分轉儲重建推理輸入，並用混合列式格式加速投影讀取，統一服務流式與批處理負載。與最佳化版 RocksDB 序列基線相比，USDB 在多種投影和客戶端負載下長曆史讀取更快；聚合下推在受限接收預算下吞吐達到普通讀取的 8.5 倍。
Jump Trading 的 LLM 研發負責人 Lucas Baker 表示，引入 OpenAI GPT-6 Astra 後，可交給 agent 的量化研究工作流在規模與複雜度上大幅提升，從日常寫程式碼擴充套件到需要執行數天、跨多資料來源的完整分析。過去需要頻繁人工指導與干預，現在團隊只需定義安全、可監控的環境與明確目標，讓 agent 自行尋找路徑，並在長任務中自我評估、遞迴改進。在受監管的金融行業，agent 產出的交易訊號仍按普通訊號處理，需人工稽核並納入嚴格控制的執行環境。
劉松銘創立的 LiberAI 發布新一代世界動作模型 Liber-0，以 220 萬小時人類經驗加自研 LiberSense 手套資料預訓練，在 GPT-6 出題的 60 項零樣本真機任務上總體成功率 36.0%，三檔難度分別為 63.5%、34.0%、10.5%。同樣任務直接讓 GPT-6 Astra 充當策略，三檔僅 8.3%、5.0%、1.7%。技術報告另給出多項對照：1 萬小時手套資料效果超過 200 萬小時網際網路影片；