跳到正文
  1. AWS Machine Learning Blog69

    SageMaker HyperPod 检测并恢复分布式训练中的静默数据损坏

    AWS 介绍如何在 SageMaker HyperPod 的 PyTorch DDP 训练循环中检测静默数据损坏,并通过节点隔离、检查点和替换完成恢复。三项检查分别覆盖 NaN/Inf 梯度、跨节点环形重放和更新后的权重指纹;方案已在 4 个 ml.p5.48xlarge 实例、32 张 NVIDIA H100 GPU 上测试,并提供配套 GitHub 仓库。

    推荐理由:文章给出可复用的三项检查、故障定位和节点恢复流程,并用故障注入与性能数据说明检测边界和代价。

  2. AWS Machine Learning Blog67

    用 Amazon SageMaker HyperPod Data Capture 构建模型改进闭环

    Amazon SageMaker HyperPod Data Capture 可在端点、负载均衡器和模型 Pod 三个层级记录线上推理数据,并写入 Amazon S3。

    推荐理由:本文给出从生产推理数据采集、分析、标注到微调和并排部署的完整流程,并提供可复用配置与脚本。

  1. Hugging Face Blog72

    Hugging Face 详解 TRELLIS.2 的 LoRA 微调流程

    Hugging Face 提供了 TRELLIS.2 的 LoRA 微调脚本和 Docker 容器,可在 Hugging Face Jobs 或本地运行。

    推荐理由:文章提供完整容器、数据准备与训练命令,并说明如何按任务选择微调组件及评估几何效果。

  2. Google Research71

    Google Research 提出基于可穿戴设备的 CKM 风险画像与个性化健康指导框架

    Google Research 发布研究原型,利用可穿戴设备、机器学习世界模型和语言模型智能体,为心血管、肾脏与代谢综合征(CKM)风险提供个性化指导。框架包含基于可改变行为的可指导健康年龄模型 SensorWM,以及生成未来 12 周“什么-if”健康轨迹的模拟系统,并用临床医生审核的方案形成渐进式指导。

    推荐理由:原文把可穿戴设备数据、健康年龄与反事实模拟串成闭环,并提供多队列验证及专家盲评结果,便于判断该框架的证据基础。

  1. Google DeepMind66

    Google DeepMind 发布 AlphaGenome 2 DNA 序列模型

    Google DeepMind 发布 AlphaGenome 2,用于预测 DNA 序列及其变异对特定人类细胞类型的影响。模型基于超过 107 million 个细胞档案和 68 种组织训练,在 TenK10K 数据集上识别出的因果变异比例由 16% 提升至 30%,方向性基因效应由 23% 提升至 43%。

    推荐理由:AlphaGenome 2将DNA变异预测细化到具体细胞类型,并公开细胞条件化与跨模态预测能力,方便研究者比较其疾病相关预测效果。

  1. Google DeepMind74

    Google DeepMind 开放 SatWeave 与 PARDIG 天气数据集

    Google DeepMind 发布 SatWeave 和 PARDIG,为天气、水文和气候应用提供历史档案与实时数据流。SatWeave 融合 6 颗静止卫星的观测,形成覆盖 17 个通道、按小时更新的全球影像;PARDIG 基于 AI 生成约 10-kilometer 分辨率的全球降水数据,时间分辨率为 15 分钟,平均延迟约 5 小时。

    推荐理由:两套开放数据集分别统一卫星观测和生成全球降水图,为新的天气应用提供了可复用的数据基础。

  1. Google Research64

    Google Research 发布 AI-PPG-ACC-HTN 智能手表高血压检测研究

    Google Research 团队提出多模态 AI 系统 AI-PPG-ACC-HTN,可利用消费级智能手表被动检测高血压迹象,无需传统袖带校准。研究通过 5 个美国临床点、196 名参与者,并以 24 小时动态血压监测为金标准验证;初筛敏感度为 65.8%、特异度为 90.0%,复检敏感度为 78.4%、特异度为 90.9%、阳性预测值为 96.7%。

    推荐理由:研究以临床金标准验证了无需袖带校准的智能手表高血压筛查方案,并提供两阶段模型与关键指标。

  1. Google Research62

    Google Research 提出并开源 Agile Deliberation 框架

    Google Research 提出 Agile Deliberation,将主观视觉分类器的定义过程设计为概念界定与迭代两个阶段。框架利用视觉语言模型主动呈现边界样本,把用户反馈接入自动提示词优化,并通过 18 次、每次 1.5 小时的真实用户实验测试 Healthy Food 与 Pay-to-Play 两类任务。

    推荐理由:文章用真实用户实验说明迭代式人机协作如何细化主观分类边界,并开放了实现代码。

  1. Google Research60

    Google Research 提出 LLM 持续学习 sleep 框架

    Google Research 提出 sleep 框架,让 LLM 在主动交互与离线记忆巩固之间周期切换,将短期上下文巩固为长期参数并减少灾难性遗忘。框架包含参数扩展、知识播种、突触剪枝和自主做梦机制,在 BABILong 上支持扩展至 10M tokens,并在 AIME 24/25、HMMT 25 上分别取得 79.2%、69.0% 和 46.1% 的准确率。

    推荐理由:框架将主动交互与离线记忆巩固交替,并用多类基准验证长期知识留存和复杂推理表现。

  1. GitHub Blog · AI & ML68

    GitHub推出基于ModernBERT的混合式密钥扫描器

    GitHub推出由正则候选生成和微调ModernBERT上下文分类组成的密钥扫描器,并将其扩展至提交前扫描。相比原有LLM流水线,该方案使仓库所有者加权接受率提高11.5%,推送后扫描执行时间降低86%,服务成本降低超过98%;离线评测精度提高13%,召回率提高19%。

    推荐理由:GitHub公开了混合式密钥扫描器的设计与评测结果,可供读者理解如何兼顾密钥检出率、误报率与部署成本。

已经到底了