跳到正文
11月3日周二
10月30日周五
  1. AWS Machine Learning Blog40

    如何利用 AWS Batch 配额管理为 SageMaker Training 作业跨团队借出与借入资源

    AWS Batch 介绍如何通过配额管理,为 SageMaker Training 作业分配团队或项目容量,并跨团队共享闲置 GPU 资源。配额份额支持预留、借出及借出并借入策略,可收回已借出的容量,也可在份额内抢占低优先级作业。示例使用 SageMaker Python SDK v3 配置相关资源。

10月28日周三
  1. Google Research60

    Google 提出大语言模型持续学习的 Sleep 睡眠框架

    Google Research 提出面向大语言模型持续学习的 Sleep 睡眠框架,通过清醒交互与离线记忆巩固的周期性交替,将短期上下文知识固化到长期参数中以克服灾难性遗忘。

    推荐理由:该研究借鉴人脑睡眠机制交替进行清醒交互与离线巩固,为解决大模型灾难性遗忘与长期记忆保留提供了新路径。

10月27日周二
  1. NVIDIA Blog53

    C-BRAIN 与 NVIDIA 如何用 AI 加快痴呆症研究

    C-BRAIN 与 NVIDIA 合作,利用 AI 整合未充分利用的阿尔茨海默病研究数据,并介绍已构建的科研工具。其基础设施结合集中式与联邦式方法,让模型能在机构内部利用数据学习;OpenScientist 和 InsightEngine 两款开源工具分别支持研究分析与基于文献、数据和知识图谱的假设检验。

10月22日周四
10月14日周三
  1. Google DeepMind46

    Google DeepMind 与新加坡政府合作构建用于诈骗检测的微调 AI 模型

    Google DeepMind 与新加坡 GovTech 合作,基于 Gemma 微调端侧诈骗检测模型,可在本地分析对话并发出实时警告。模型采用轻量分类器初筛、Gemma 分析上下文的两阶段流程。模型将分阶段集成至应用,仅经用户同意访问设备内对话,Google 和新加坡政府均无法借此访问用户对话。

  2. GitHub Blog · AI & ML56

    GitHub 解读机密检测模型:如何发现更多真实凭据并减少误报

    GitHub 详解机密扫描的两阶段流程,通过正则筛选候选,再由微调的 ModernBERT 结合上下文区分真实凭据与误报。训练覆盖真实凭据、易混淆负样本及合成案例,模型以 ONNX 格式和 8-bit 量化部署;相比此前的 LLM 流程,提交后扫描执行时间中位数降低 86%,推理服务成本降低超过 98%。

10月13日周二
  1. Microsoft Research48

    StudentSim 如何通过模拟学生学习改进 AI 辅导

    StudentSim 通过个性化学生模拟器,为 AI 辅导系统在真人测试前的评估与改进提供反馈。系统使用公开、去标识化的学习记录训练,在国际象棋、英语二语写作和数学任务中优于主要基线。配套基准 StudentSimEval 评估模拟器对学生行为的还原及其对辅导的响应;该系统仅用于研究,未部署于课堂,也不旨在替代教师。

10月8日周四
  1. Microsoft Research63

    Microsoft Research 开源 Agent Lightning v1.0,以约 3,500 行代码实现智能体强化学习框架

    Microsoft Research Asia 开源重构后的 Agent Lightning v1.0,让部署时使用的智能体执行框架直接参与强化学习,无需在训练框架内重新实现。

    推荐理由:通过让部署时的智能体执行框架直接参与强化学习,这套方案提供了减少训练重实现成本、保持训练与部署行为一致的方法。

3月13日周五
  1. Berkeley AI Research44

    面向 LLM 的大规模交互识别

    研究人员提出了 SPEX 与 ProxySPEX 算法,用于在大规模场景下高效识别 LLM 的关键特征交互。SPEX 结合信号处理与编码理论,利用稀疏性与低阶性将交互分析转化为稀疏恢复问题。ProxySPEX 进一步利用层次性结构,以减少约 10 倍消融成本达到相同性能,支持特征、数据及模型组件归因。