#数据/训练

NVIDIA 通过开放学习资源、合作与算力，扩大欧洲科学界对先进技术的获取

NVIDIA 加入欧盟委员会在都柏林 AI in Science Summit 上启动的 AI in Science Enablers Initiative，为欧洲研究界提供加速工具、算力、技能培训与协作项目支持。

原文发布 10月14日 08:00

更快完成 RL 训练：位级一致、高性能、智能体驱动

vLLM 团队提出让训练前向直接调用 vLLM 推理 kernel 并修改这些高性能 kernel，使 rollout 与训练对每个采样 token 产生位级相同的 logprob（diff = 0）。

原文发布 10月14日 15:00

评估者如何调查 AI 研发自动化带来的加速证据

METR 提出一套评估框架，用于调查 AI 研发自动化是否导致能力进步显著加速。评估需分析未发布模型的能力、关键研发投入（人力、算力、数据、算法）的增长，并与研究人员直接访谈。所需数据包括内部模型基准分数、预训练损失等中间指标、算法进步估计及 AI 贡献证据，可在开发者硬件上分析以保障安全。

原文发布 10月14日 19:30

在 AI Runtime 上将 Qwen 训练时间缩短 6 倍

在 AI Runtime 上对 Qwen 3.8 27B 做 SFT 微调，通过系统性性能优化把完整数据集训练时间从 7 小时 44 分钟压缩到 1 小时 17 分钟，提速 6 倍，训练吞吐从 9,396 tok/s 提升。

用 Predictive AI Functions 解锁强大的洞察与预测

Databricks 的 Predictive AI Functions 进入 Beta，新增 ai_top_drivers、ai_detect_anomalies、ai_predict_value、ai_predict_class 四个 SQL 原生函数，并提升 ai_forecast 精度。

原文发布 10月13日 17:34

OLTP vs. OLAP：在事务型数据库与分析型数据库之间做选择

OLTP 面向支付、订单、库存等当前数据的高并发低延迟读写，OLAP 面向跨时间、产品、地域等维度的大规模历史数据扫描与聚合查询。两者通常并存，需靠 ETL 或 CDC 同步，新鲜度要求越高，延迟与管道开销越大。文章对比二者在查询模式、数据模型、存储与延迟上的差异，并说明数据管道、混合处理与 lakehouse 架构如何连接两者。

原文发布 10月13日 18:51

什么是 HTAP？一份关于混合事务/分析处理的通俗指南

HTAP（混合事务/分析处理）由 Gartner 于 2014 年提出，指在同一集成数据库系统内融合 OLTP 与 OLAP，让分析查询直接读取当前运营数据，无需等待批处理 ETL 搬运。

原文发布 10月14日 08:00

通过语音基础模型中的语言选择性维度进行语码转换检测

研究提出一种直接从语音中检测语码转换的轻量方法，利用预训练语音编码器帧级语言信息判断一句话中是否同时出现两种语言。在 CS-FLEURS 的 14 个语言对上，Whisper-small 编码器平均 F1 达 0.798，高于 CNN 的 0.776 和 HuBERT 线性基线的 0.751。结果表明预训练语音编码器已编码识别语码转换所需信息，可用于构建更具代表性的多语种语料。

研究人员改进两到六周后的天气预报

MIT 等机构的研究团队开发出一种机器学习后处理层，通过学习历史数据修正现有预报模型的误差，将两到六周（次季节）预报的准确率提升一倍，并在 ECMWF 的预报竞赛中夺得第一。该成果发表在 Nature 上，首次让这一时间尺度的预报优于气候学平均值，同时显著提升了对极端天气的预测能力。模型为开源、低成本的外挂式 wrapper，可叠加到任意预报模型上，肯尼亚气象部门已联系希望用于改进季风预报。

三模态掩码扩散模型的设计空间

Apple 团队首次从头预训练三模态掩码扩散模型（MDM），同时处理文本、图文和音频-文本数据，并系统分析多模态缩放规律、模态混合比例与噪声调度。其批次大小分析提出基于 SDE 的重参数化，将物理批次与逻辑批次解耦，免去最优批次调参。团队预训练出 3B 规模（6.4T tokens）初步模型，在文本生成、T2I 和 T2S 任务上均取得强劲结果。

2026 年实时分析实践指南

实时分析正成为关键能力，但“实时”并非单一要求，应从新鲜度、延迟和并发三个维度评估工作负载。文章指出，实时与批处理分析应统一在湖仓中运行，共用一份数据和一套治理，无需为 Apache Druid、Apache Pinot、ClickHouse 等专用服务引擎维护独立数据副本与管道。

MIT Lincoln Laboratory 承办国家新兴生物技术安全委员会（NSCEB）巡展活动

MIT Lincoln Laboratory 于9月3日承办美国国家新兴生物技术安全委员会（NSCEB）全国巡展的一站活动，召集州政府机构、国防中心、高校、科技企业及商业高管，讨论马萨诸塞州生物技术生态如何强化国家生物防御能力。

人工神经网络如何构建自己的学习机制

MIT McGovern 研究所团队在 PNAS 发文，证明随机连接的多层网络仅凭“同时激活的神经元连接增强”等简单规则即可自组织出学习机制，识别模式与分类图像的表现在与反向传播训练的网络相当。研究者认为，判断神经网络对神经科学的参考价值应看其自组织程度，而非仅看连接本身。

如何用 AI 智能体为 GPU 加速重写 Apache Spark UDF

NVIDIA 介绍如何借助 AI 智能体将 Apache Spark UDF 重写为 GPU 加速版本，以应对智能体 AI 带来的大规模企业数据高频复杂查询需求。方案基于 NVIDIA cuDF，利用其大规模并行能力和高带宽内存提升数据吞吐，避免成本同比例上升。

Databricks 入选 Gartner® 分析与商业智能平台魔力象限™「远见者」

Databricks 首次进入 Gartner 分析与商业智能平台魔力象限，即被评为「远见者」，并取得所有受评厂商中最高「愿景完整性」得分之一，创下该报告 20 多年历史上厂商首次入选的最佳表现。

Lakeflow Designer 2026 年 10 月更新汇总

Databricks 为 Lakeflow Designer 推出 10 月更新，新增 Prepare、Unique、Guardrails 三个无代码算子，分别用于数据清洗标准化、去重和数据质量检查。

Mix, Don't Tune: Bilingual Pre-Training Outperforms Hyperparameter Search in Data-Constrained Settings

苹果研究团队在 150M 至 1.43B 四种模型规模、约 1000 次预训练实验中，以阿拉伯语为目标语言、英语为辅助语言，比较了数据混合与超参数调优两种方案。混合在验证损失和下游任务准确率上均优于超参数调优，且优势随模型规模扩大而增大，效果相当于 2–3 倍目标数据（验证损失）和 2–13 倍（下游准确率）。作者建议优先调整混合比例，并通过 μP 从小代理模型迁移超参数。

模拟学生学习，打造更好的 AI 辅导

Microsoft Research 提出 StudentSim，一个用公开去标识化学习记录训练个性化 AI 学生模拟器的研究系统，可在真实学习者测试前评估和改进 AI 辅导系统。该系统从行为保真度和指导响应性两个维度评估模拟器，并配套推出覆盖国际象棋、英语二语写作和数学的 StudentSimEval 基准，表现优于主流基线。StudentSim 并非产品，不部署于课堂，也不旨在取代教师。

Flo Health 如何用 Databricks AI Runtime 构建更安全、更有用的开放模型

Flo Health 借助 Databricks AI Runtime 在无服务器 NVIDIA H100 GPU 上对开放模型做分布式微调，用 AI 评委和隐私优先合成数据把医疗安全与有用性标准转成训练信号。

inclusionAI/BiDex-100

蚂蚁 inclusionAI 发布双臂灵巧操作基准 BiDex-100，覆盖 106 个任务、五大能力维度（Memory、Long-Horizon、Instruction-Following。

Anthropic 加强对蒸馏攻击的防御

Anthropic 公布针对 Claude 蒸馏攻击的新防御方法，早期证据显示这些方法使蒸馏者获取的数据量减少约 90% 至 99%。防御分三部分：通过 preserved thinking 限制推理内容在账号、模型和对话间流转；用两阶段分类器拦截提取尝试，误报率低于 0.1%；对反复尝试提取的账号施加更严格限制并封禁。

大语言模型用于机器翻译质量标注：人类与模型都面临挑战

研究评估了 LLM 在 MQM 和 ESA 两种机器翻译质量评估方案下与人类标注者的一致性，覆盖 70 个语言对的长上下文测试集及 WMT23、WMT25 公开数据。

自压缩语言模型智能体

约翰斯·霍普金斯大学提出 SELFCOMPACT，让模型自行决定何时及如何压缩上下文：通过一个压缩工具加一套轻量评分规则，判断子任务已完成或轨迹收敛时触发、推导中途或卡住时抑制。

通过集体智能实现递归自我改进

Sakana AI 发布论文提出多智能体自监督（MASS）：一个共享模型通过虚拟子智能体团队解题，搜索更优的多智能体工作流，再用自身判断选出最佳方案，并将最佳团队的执行轨迹蒸馏回共享模型。

蚂蚁 inclusionAI 发布 PolyOCR-Venus 统一 OCR 基础模型

蚂蚁 inclusionAI 发布 PolyOCR-Venus 统一 OCR 基础模型家族，包含 2B 和 9B 两个版本，基于 Qwen3.5 视觉语言骨干，覆盖文本识别、定位、文档解析、信息抽取、多语言转换和 OCR 推理六类能力。

[Paper] Distillation for Incrimination and Distillation for Capabilities

Redwood Research 发布论文，实证检验两种蒸馏用于 AI 安全的方法。Distillation for Incrimination（DFI）把不可信模型蒸馏进更弱的可信模型。

从后训练到生产：TinyFish 如何在 Databricks AI Runtime 上运行其 Web 原生模型

TinyFish 在 Databricks AI Runtime 上完成其 Web 原生模型的后训练、评估与生产部署，该模型在内部 go/no-go 基准中完成 2,178 个 Web 智能体任务中的 1,691 个，任务成功率 77.6%。

高质量的 NVFP4 量化由什么决定？

Baseten 发文解析高质量 NVFP4 4-bit 量化的实现路径，指出关键在于判断哪些层能承受 4 bit、哪些需要更高精度，并给出启发式规则、单层敏感度打分和 SaturationQuant 三种方案。

在 Unity Catalog 中发布 Workday Data Connect 联合连接器

Databricks 在 Unity Catalog 中推出 Workday Data Connect 联合连接器公开 Beta，可零拷贝直接查询 Workday Data Cloud 中的 HR 与财务数据。

Lakebase 与智能体 SDLC：为编码智能体打造数据库分支

Databricks 的 Lakebase Postgres 通过数据库分支为并行编码智能体提供隔离环境，可在 1 秒内分支整个数据库，采用 copy-on-write 使分支共享父分支数据、仅按差异占用额外存储，并支持 scale-to-zero 让空闲分支不产生计算成本。每个分支完全隔离，智能体可独立执行迁移、测试并在完成后销毁分支；每个 PR 也会自动创建以生产分支为父级的临时分支用于验证。

3 Questions: What is the best path forward for AI in academia?

MIT统计与数据科学中心主任Sasha Rakhlin发文探讨AI如何改变学术界，聚焦数学、统计、机器学习与工程领域的研究生教育。他指出，验证速度与可靠性决定AI在某一学科的进展快慢，形式化证明可自动检验、程序可运行测试，使模型能生成候选方案并从结果中学习，形成加速循环。他建议院系重新审视学术贡献认定标准，重视提问、复现、负结果与数据集共享，并让学生学会提出问题、审查模型输出与复现结果。

构建可靠的数据分析智能体：来自 KDD Cup 的经验

NVIDIA KGMON 团队在 KDD Cup 2026 Data Agents 竞赛中获得第二名，其系统核心思路是让智能体的 harness 更小、更清晰、更易验证。该竞赛要求智能体基于数据库、CSV 和 JSON 文件、散文文档、PDF 及简报视频等异构数据源回答自然语言问题。

使用 Amazon SageMaker HyperPod 通过隔离与公平性实现跨团队共享 GPU 集群

Amazon SageMaker HyperPod 推出基于 EKS 的多租户参考架构，让多个团队共享同一 GPU 集群并保持隔离与资源公平。

医師向け検索ツール「Evidence Finder」にSakana Namazuを導入：日本仕様のAIを、医療の現場へ

Sakana AI 的日本仕様 LLM「Sakana Namazu」被医疗 AI 公司アイリス提供的医生循证检索工具「Evidence Finder」采用，负责对检索到的文献进行比较、整合并生成回答。

NVIDIA 承诺未来五年投入 10 亿美元推动美国科学发展

NVIDIA 宣布未来五年投入价值 10 亿美元的承诺，用于建设美国在超智能研究与量子计算等领域的能力，覆盖量子计算、医疗健康和能源安全。该承诺在华盛顿 Science: A New Golden Age 活动上公布，NVIDIA 同时参与当天宣布的多项 Genesis Mission 第二阶段项目，涉及量子计算、聚变、加速器设计与微电子。

利用 AI 缓解数据中心日益严重的环境威胁

MIT 副教授 Christina Delimitrou 用机器学习让大型数据中心更高效、安全和可靠，通过重新设计过时的云计算系统、管理共享硬件资源并精简服务器架构，从现有硬件中挖掘更多算力。她发现多数大型计算系统利用率仅约 15%，并开发了用深度学习提前预测和阻止 Web 应用故障的工具 Seer。她还用 AI 帮助程序员定位并修复云应用问题，减少停机与算力浪费。

缺失的星空地图

约翰斯·霍普金斯大学天体物理学家、Anthropic 研究员 Brice Ménard 与 Claude Science 合作，制作出首张完整的紫外波段全天图，其中约三分之一天区（含银河系盘面大部分）此前从未被紫外望远镜观测，由 Claude 用 inpainting 方法预测补全。

Normalizing Trajectory Models

Apple 团队提出 Normalizing Trajectory Models（NTM），将扩散模型每个反向步骤建模为带精确似然训练的条件归一化流，结合每步浅层可逆模块与跨轨迹深层并行预测器，可从头训练或从预训练 flow-matching 模型初始化。

MoE 预训练中的专家耦合

Zyphra 研究发现 MoE 训练中 all-to-all 通信可占单步训练时间的 60.4%，原因是专家放置忽略了路由的相关性。实验显示，同一层内 45% 的 token 只落在 0.8% 的专家对上，跨层路由同样高度集中。通过把常被同一 token 选中的专家放到同一 GPU，可减少跨网络传输并加快训练，且无需改动模型架构、路由决策或训练目标。

用 Claude 构建实时仪表盘并制作动画讲解

Claude 推出 Dashboards 和 Motion 两项新功能，Dashboards 可连接 BigQuery、Databricks、Snowflake 或 Salesforce 等数据源。