跳到正文

技术方向

数据与训练 最新动态

训练侧的门道：数据集构建、合成数据、预训练与后训练方法、算力与训练成本。

8 条精选近 30 天 7 条共收录 30 条

更新

数据与训练的精选

10月8日周四第 1–8 条
  1. Hugging Face Blog76

    作者用 ML Intern 两天自建六个模型，总花费约 103 美元

    作者在 HuggingChat 中开启 ML-intern 模式，用提示词让它完成数据集构建、训练、评测和发布，两天内做出六个模型，总计算花费约 103 美元。

    推荐理由：作者用 ML Intern 在两天内从零训练并发布六个模型，给出了提示词写法与逐项算力花费，可迁移到自己的训练流程。

  2. Google Research62

    Google Research 研究：AI 辅助提升专利撰写产出，但未必加速初级律师成长

    Google Research 在 NBER 发布一项为期三个月的专利撰写实地实验，将当时未发布的 Google Labs AI 专利写作助手（现属 Gemini Notebook）随机开放给 11 家知识产权律所的 133 名律师，其中三分之二获得早期访问权。

    推荐理由：三个月专利撰写实验区分了 AI 带来的即时产出提升与无辅助判断力的变化，为理解 AI 对专业能力的影响提供了实证。

  3. Microsoft Research71

    微软开源 Agent Lightning v1.0：3500 行代码的轻量智能体 RL 框架

    微软研究院开源 Agent Lightning v1.0，一个约 3500 行代码的轻量智能体强化学习框架，提出 Harnessed Agentic RL 范式，让部署时使用的同一套 agent harness 直接参与训练，无需在训练框架内重新实现智能体。

    推荐理由：微软开源 Agent Lightning v1.0，用约 3500 行代码把真实 harness 直接接入 RL 训练，并给出 6000 样本的编码智能体训练结果。

10月7日周三
10月2日周五
  1. Hugging Face Blog62

    Ai2 开源科学报告生成模型 AstaBrief 8B

    Ai2 开源 AstaBrief 8B，一个把研究问题和检索到的文献片段转成带引用报告的小模型，基于 Qwen3-8B 训练，现已作为 Asta 的 Fast 模式上线，并同步开放模型权重和训练数据。

    推荐理由：原文给出了从 Qwen3-8B 出发的 SFT 加 DPO 训练配方与数据过滤经验，可迁移到其他垂直领域小模型。

9月30日周三
  1. Google DeepMind66

    Google DeepMind 推出 SynthID Bio，为 AI 生成蛋白质嵌入可验证水印

    Google DeepMind 发布 SynthID Bio，将水印技术引入合成生物学，把不可感知的签名直接嵌入生物代码，使水印不仅能在数字模型上验证，也能在合成出的实体蛋白质上验证，同时保持其生物功能。

    推荐理由：SynthID 水印从图像扩展到合成生物，读者可了解其在 DNA 合成筛查与数据库标注上的验证思路。

9月29日周二
  1. Microsoft Research62

    微软研究院发布 Quine：面向生物学复杂性的 AI 研究系统

    微软研究院发布 Quine，一个面向生物学复杂性的 AI 研究系统，由跨序列、结构、功能、细胞状态和成像等多模态数据训练的生物世界模型，以及连接模型、科学工具、文献与科研人员的交互式 harness 组成。

    推荐理由：微软研究院公开 Quine 的多模态生物世界模型与实验闭环，并给出胰腺癌化合物筛选的湿实验验证结果。

9月8日周二
  1. Google DeepMind74

    Google DeepMind 发布 AlphaGenome Atlas，覆盖人类基因组 90 亿个单碱基变异预测

    Google DeepMind 发布 AlphaGenome Atlas，一个包含人类基因组 90 亿个单核苷酸变异效应预测的平台，规模达 1PB，超过 AlphaFold Database 的 30 倍，今日起通过网站门户、AlphaGenome API 和 Google Antigravity 中的 skill 向学术研究免费开放。

    推荐理由：AlphaGenome Atlas 把 90 亿个单碱基变异的预测结果做成可检索资源，读者可了解基因组变异解读的规模化路径。