Google DeepMind 发布 Decoupled DiLoCo 分布式训练架构
Google DeepMind 发布 Decoupled DiLoCo 分布式训练架构，把大规模训练拆成异步通信的计算孤岛，降低带宽需求并隔离硬件故障。测试中该系统在整块 learner unit 掉线后仍能继续训练并自动重新接入，用 Gemma 4 模型验证的 ML 性能与传统训练方法持平。
推荐理由：原文给出异步训练在带宽、故障隔离和跨代硬件上的实测结果，可据此判断分布式预训练的成本与容错边界。
#数据/训练
#数据/训练
今日 5 条Google DeepMind精选AI 评分6262
Hugging Face BlogAI 评分2424 QIMMA قِمّة：Hugging Face 推出质量优先的阿拉伯语 LLM 排行榜
Hugging Face 发布 QIMMA قِمّة，一个先验证基准质量再评测模型的开源阿拉伯语 LLM 排行榜，整合 14 个来源基准的 109 个子集、超 52,000 条样本，覆盖 7 大领域且 99% 为原生阿拉伯语内容。
Google ResearchAI 评分5252 Google 提出 Simula：从第一性原理设计合成数据集
Google Research 发布论文《Reasoning-Driven Synthetic Data Generation and Evaluation》，提出合成数据生成框架 Simula，把数据生成重构为机制设计问题，用推理模型从第一性原理构建整个数据集，无需种子数据。
Google ResearchAI 评分3838 Google Research 用 AI 合成神经元加速脑图谱绘制，重建误差降低 4.4%
Google Research 提出 MoGen（Neuronal Morphology Generation），用 PointInfinity 点云流匹配模型生成合成神经元形状，为 PATHFINDER 重建模型补充训练数据，使小鼠轴突重建误差降低 4.4%，主要来自合并错误的减少。
Hugging Face BlogAI 评分3636 Ecom-RLVE：面向电商对话智能体的自适应可验证环境
Hugging Face 将 RLVE 框架从单轮推理题扩展到多轮、工具增强的电商对话，推出 EcomRLVE-GYM，包含产品发现、替代品、购物车搭建、退货、订单追踪、政策问答、组合规划、多意图旅程 8 个可验证环境，每个环境配备程序化题目生成、12 轴难度课程和算法可验证奖励。
OpenAI NewsAI 评分2020 用 ChatGPT 分析数据
OpenAI 介绍如何用 ChatGPT 探索数据集、生成洞察、创建可视化，并将发现转化为可执行的决策。
Google ResearchAI 评分3131 Google Research 发布 ConvApparel：测量并弥合用户模拟器的真实感差距
Google Research 推出 ConvApparel，一个包含 4000 多段人机多轮对话（近 15000 轮）的服饰购物领域数据集，用于量化 LLM 用户模拟器与真实人类行为的真实感差距。
Google ResearchAI 评分3131 Google Research 研究：AI 评测需要多少标注者才够？
Google Research 在《Forest vs Tree: The (N, K) Trade-off in Reproducible ML Evaluation》中研究了评测条目数与每条目标注者数的权衡，发现常用的每条目 1-5 名标注者往往不足，反映人类意见分歧常需超过 10 名标注者。
Hugging Face BlogAI 评分2222 OpenMed 用 165 美元训练跨 25 物种的 mRNA 语言模型
OpenMed 构建了覆盖结构预测、序列设计与密码子优化的端到端蛋白质 AI 流水线，其中 CodonRoBERTa-large-v2 以困惑度 4.10、Spearman CAI 相关性 0.40 明显优于 ModernBERT。团队随后扩展到 25 个物种，用 55 GPU-hours 训练出 4 个生产模型，并搭建了目前其他开源项目未提供的物种条件化系统。
Hugging Face Blog精选AI 评分6262 Hugging Face 发布 TRL v1.0 后训练库
Hugging Face 发布 TRL v1.0，将这一原本的研究代码库正式定位为带稳定性承诺的后训练库，目前实现超过 75 种后训练方法，月下载量 300 万次。
推荐理由：TRL v1.0 把稳定核心与实验层分开，并给出与同类后训练库的横向对比，便于判断选型。
Google ResearchAI 评分2222 Google Research 推出 S2Vec：用自监督学习读懂城市建成环境
Google Research 发布自监督框架 S2Vec，可将建筑、道路等地理要素栅格化为多层特征图像，再通过掩码自编码（MAE）学习通用嵌入向量，无需人工标注即可刻画街区特征。
Hugging Face Blog精选AI 评分6666 NVIDIA 发布一天内构建领域专用嵌入模型的微调教程
NVIDIA 发布教程，介绍用单张 GPU 在一天内将通用嵌入模型微调为领域专用模型，无需人工标注。流程基于 NeMo Data Designer 生成合成问答数据、挖掘难负样本并微调 Llama-Nemotron-Embed-1B-v2，在 NVIDIA 公开文档数据上 Recall@10 和 NDCG@10 提升超过 10%。
推荐理由：NVIDIA 给出从合成数据到部署的完整嵌入模型微调流程，并附 Atlassian 在 Jira 数据上的实测提升。
Google Research精选AI 评分7171 Google 与 NHS 合作研究：AI 用于乳腺癌筛查双读流程
Google Research 与多家 NHS 机构合作的 AIMS 研究在 Nature Cancer 发表两项姊妹研究，评估 AI 乳腺癌检测系统。
推荐理由：两项 Nature Cancer 研究给出 AI 在 NHS 乳腺筛查双读流程中的前瞻部署数据与人力节省估算。
Hugging Face Blog精选AI 评分6262 Hugging Face 发布 2026 春季开源 AI 生态报告
Hugging Face 发布《State of Open Source on Hugging Face: Spring 2026》，基于平台数据梳理过去一年开源 AI 生态变化。
推荐理由：Hugging Face 官方基于平台数据梳理开源 AI 一年变化，可看到中美下载份额、小模型与机器人子社区的走向。
Mistral AI精选AI 评分6262 Mistral AI 推出 Forge，让企业用自有知识训练前沿模型
Mistral AI 推出 Forge，一套让企业基于自有专有知识构建前沿级 AI 模型的系统，支持预训练、后训练和强化学习等阶段。Forge 支持 dense 与 MoE 两种架构，并可按需支持多模态输入，模型可在企业自有基础设施内训练和治理。该产品以 Agent 优先设计，Mistral Vibe 等自主智能体可用它微调模型、寻找最优超参数、调度任务并生成合成数据。
推荐理由：原文给出企业用自有数据训练前沿模型的产品定位与训练流程，可据此判断企业自建模型的落地路径。
Mistral AIAI 评分5050 Mistral 与 NVIDIA 合作加速开放前沿模型，并发布 Mistral Small 4
Mistral AI 以创始成员身份加入 NVIDIA Nemotron Coalition，与 NVIDIA 共同开发前沿开源 AI 模型，并同期发布 Mistral Small 4。
Berkeley AI ResearchAI 评分3434 Berkeley AI Research 提出 SPEX 与 ProxySPEX：大规模识别 LLM 关键交互
Berkeley AI Research 提出 SPEX 与 ProxySPEX 算法，可在特征、数据与模型组件归因中大规模识别驱动 LLM 输出的关键交互。SPEX 利用稀疏性与低阶性把交互搜索转化为稀疏恢复问题，ProxySPEX 进一步利用层次结构，以约 10 倍更少的消融达到 SPEX 的性能。
Google Research精选AI 评分6666 Google 在 Flood Hub 上线城市山洪预报，提前 24 小时预警
Google 宣布在 Flood Hub 上线城市山洪（Urban Flash Flood）预报，借助新的 AI 方法可在城市区域提前最多 24 小时预测山洪风险。
推荐理由：Google 把城市山洪预警从河流洪水扩展到 24 小时提前量，并给出与 NWS 同口径的精度对比，可看 AI 预警在缺测地区的落地边界。
Google Research精选AI 评分6262 Google 推出 Groundsource，用 Gemini 把新闻报道转为灾害数据
Google 推出 Groundsource，一套用 Gemini 从非结构化新闻中提取历史灾害数据的方法，并发布首个开放数据集：覆盖 150 多个国家、2000 年至今的 260 万条城市山洪记录。
推荐理由：Google 用 Gemini 把 80 种语言的新闻报道转成结构化灾害数据，并给出人工核验的准确率，可据此判断这套方法能否迁移到其他数据稀缺领域。
Hugging Face Blog精选AI 评分6262 Hugging Face 综述 16 个开源异步 RL 训练库
Hugging Face 发布对 16 个开源异步强化学习训练库的调研，按编排原语、rollout 缓冲设计、权重同步协议、陈旧度管理、部分 rollout 处理、LoRA 支持和分布式训练后端七个维度进行对比。
推荐理由：基于 16 个开源库的横向对比，梳理异步 RL 训练在编排、权重同步与陈旧度管理上的七类设计取舍。
Google DeepMindAI 评分3030 AlphaGo 十周年：从围棋到生物学，DeepMind 回顾 AlphaGo 的影响
AlphaGo 成为首个击败围棋世界冠军的 AI 系统十周年，其“Move 37”展示了 AI 超越模仿人类、发现全新策略的能力。这一突破直接催生了 AlphaGo Zero、AlphaZero，以及破解蛋白质折叠难题的 AlphaFold 2，后者已向全球 3 百万研究人员免费开放 2 亿个蛋白质结构。
Hugging Face Blog精选AI 评分6262 Ulysses 序列并行：如何用百万 token 上下文训练模型
Hugging Face 发布教程，介绍 Snowflake AI Research 的 Ulysses 序列并行（ALST 协议的一部分）如何通过注意力头切分把长序列训练分散到多张 GPU，并已集成到 Accelerate、Transformers Trainer 和 TRL 的 SFTTrainer。
推荐理由：文章给出 Ulysses 序列并行在 Hugging Face 各组件中的接入方式与实测数据，可据此判断长上下文训练的显存与吞吐取舍。
Google Research精选AI 评分6262 Google Research 发布 WAXAL：覆盖 27 种非洲语言的开放语音数据集
Google Research 发布 WAXAL，一个面向撒哈拉以南非洲 27 种语言的大规模开放语音数据集，采用 CC-BY-4.0 许可。其中 WAXAL-ASR 包含约 1,846 小时转写自然语音，WAXAL-TTS 包含超过 565 小时高保真录音，数据采集由非洲高校与社区组织主导，覆盖 100 多万使用者。该数据集旨在支持低资源语言的语音识别与合成系统开发，并计划持续扩充语言种类。
推荐理由：Google Research 联合非洲高校发布 27 种语言的开放语音数据集，读者可了解低资源语言语音数据的采集方法与规模。
Google ResearchAI 评分4040 Google 研究：用贝叶斯教学让 LLM 学会概率推理
Google Research 提出"贝叶斯教学"方法，通过监督微调让 LLM 模仿贝叶斯模型的预测，从而学会按贝叶斯方式推理。在五轮模拟航班推荐任务中，未经训练的 LLM 表现显著逊于最优贝叶斯助手，且往往在单次交互后性能就停滞；而贝叶斯教学不仅提升该任务表现，还能泛化到其他任务。
Hugging Face Blog精选AI 评分6060 PRX 第三篇：24 小时训练一个文生图模型
Photoroom 在 Hugging Face 博客发布 PRX 系列第三篇，用 32 张 H200、约 1500 美元预算在 24 小时内训练出一个文生图扩散模型。
推荐理由：Photoroom 公开了 24 小时训练文生图模型的完整配方与代码，读者可据此复现并调整各组件。
Hugging Face Blog精选AI 评分6262 Hugging Face 详解 transformers 中的 MoE 支持：权重加载重构、专家后端与专家并行
Hugging Face 发文介绍 transformers 库为 Mixture of Experts（MoE）模型所做的工程改造，涵盖权重加载重构、专家后端与专家并行三部分。
推荐理由：Hugging Face 官方拆解 transformers 为 MoE 重构的加载、后端与并行方案，并给出 v4 与 v5 的实测对比。
Google ResearchAI 评分4141 Google 用 MapTrace 合成数据教多模态大模型在地图上寻路
Google Research 提出 MapTrace，一套用 Gemini 2.5 Pro 与 Imagen-4 自动生成地图寻路数据的合成流水线，并开源 200 万条问答对。
Google DeepMindAI 评分3838 Google DeepMind 与印度合作推进 AI 科学与教育应用
Google DeepMind 宣布与印度政府机构及本地机构建立 National Partnerships for AI 合作，向印度研究人员开放 AlphaGenome、AI Co-scientist 和 Earth AI 等前沿科学模型，并推出 3000 万美元的 Google.org Impact Challenge: AI for Science。
OpenAI NewsAI 评分4040 OpenAI 开源 GABRIEL：用 GPT 将定性文本与图像转为定量数据
OpenAI 推出开源工具包 GABRIEL，借助 GPT 把定性文本和图像转化为定量数据，帮助社会科学家大规模分析研究。该工具面向社会科学研究场景，可扩展处理原本难以量化的文本与图像材料。
Google ResearchAI 评分3434 Google 用鸟类数据训练的 Perch 2.0 如何揭示水下鲸类之谜
Google DeepMind 于 2025 年 8 月发布的 Perch 2.0 生物声学基础模型，虽仅用鸟类等陆生动物音频训练，却在鲸类发声分类等海洋任务中表现优异，多数数据集和样本量下位列第一或第二。
Hugging Face BlogAI 评分4040 Hugging Face 推出 SyGra Studio：可视化合成数据生成环境
Hugging Face 发布 SyGra 2.0.0 的 Studio，一个把合成数据生成变成可视化流程的交互环境，画布上搭建的流程会自动生成 SyGra 兼容的图配置与任务执行脚本。
Google ResearchAI 评分2626 Google Research 提出 Sequential Attention：让 AI 模型更精简更快且不牺牲准确率
Google Research 提出 Sequential Attention，用贪心选择机制在单次训练中顺序、自适应地挑选最佳组件加入模型，避免传统贪心算法带来的数量级训练开销。该方法把子集选择直接嵌入模型训练，可处理大规模 ML 模型，并在多个神经网络基准上取得 SOTA，同时支持特征选择、嵌入维度调整与权重剪枝。
Hugging Face BlogAI 评分3434 Hugging Face 分享从零训练文生图模型 PRX 的消融实验经验
Hugging Face 发布系列第二篇博客，记录从零训练文生图基础模型 PRX 的训练设计经验，围绕表征对齐、训练目标、Token 路由与稀疏化、数据四类方法做消融实验。
OpenAI NewsAI 评分4242 OpenAI 如何构建内部 AI 数据智能体：用 GPT-5、Codex 和记忆推理海量数据集
OpenAI 构建了一个内部 AI 数据智能体，结合 GPT-5、Codex 和记忆能力对海量数据集进行推理，可在数分钟内给出可靠洞察。该智能体用于公司内部数据分析场景，核心在于用记忆机制支撑跨数据集的推理过程。
Google ResearchAI 评分4444 Google Research 提出 ATLAS：面向多语言模型预训练、微调与解码的实用缩放定律
Google Research 提出 ATLAS 多语言缩放定律，基于 774 次训练运行、10M–8B 参数模型、400+ 语言数据，可指导模型规模、数据量与语言配比的选择。
Hugging Face BlogAI 评分2828 中国开源 AI 生态的架构选择：超越 DeepSeek 之后
中国开源模型近一年几乎一致转向 MoE 架构，Kimi K2、MiniMax M2、Qwen3 均属此类，目标是在成本可控下实现可持续部署。开源活动从文本扩展到多模态与智能体，StepFun 的 Step-Audio-R1.1 语音模型性能超越闭源模型，腾讯开源 Hunyuan Video 与 Hunyuan 3D。
Hugging Face BlogAI 评分2222 Alyah ⭐️：面向阿拉伯语 LLM 阿联酋方言能力的稳健评测基准
Hugging Face 博客介绍阿联酋方言评测基准 Alyah，含 1,173 条由阿联酋母语者手工采集的样本，每题四选一。团队评测了 54 个语言模型（23 个基座、31 个指令微调），覆盖 Jais、Allam、Qwen、LLaMA、Fanar、AceGPT 等，基座模型中 google/gemma-3-27b-pt 以 74.68 准确率居首。
OpenAI NewsAI 评分4242 OpenAI 推出 Prism：内置 GPT-5.2 的免费 LaTeX 原生工作空间
OpenAI 发布免费 LaTeX 原生工作空间 Prism，内置 GPT-5.2，帮助研究人员在同一处完成写作、协作与推理。
Google ResearchAI 评分2929 Google Research 推出 GIST：智能采样的下一阶段
Google Research 在 NeurIPS 2025 提出 GIST（Greedy Independent Set Thresholding）算法，用于训练数据子集选择，在多样性与效用之间取得平衡。GIST 在图像分类等基准任务上超越 SOTA，并首次为该权衡提供可证明的近似保证：所选子集价值至少为最优解的一半。
Hugging Face Blog精选AI 评分6262 微软发布 Differential Transformer V2，去掉自定义注意力核并降低训练不稳定
微软 unilm 团队发布 Differential Transformer V2（DIFF V2），通过增加 query 头但保持 KV 头数量不变，使解码速度与标准 Transformer 持平，且不再需要自定义注意力核。
推荐理由：微软团队给出 DIFF V2 的注意力实现与消融对比，读者可据此判断差分注意力在解码速度与训练稳定性上的取舍。