Google Research 研究：构建更好的 AI benchmark 需要多少标注者才够？
Google Research 在论文 "Forest vs Tree: The (N,K) Trade-off in Reproducible ML Evaluation" 中研究了 AI 评测中每题标注数（K）与标注条目数（N）之间的可复现性权衡，模拟器已开源在 GitHub。
#数据/训练
#数据/训练
今日 0 条Google ResearchAI 评分4444
Hugging Face BlogAI 评分3232 OpenMed 用 165 美元跨 25 物种训练 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。在对比多种 transformer 架构后，CodonRoBERTa-large-v2 胜出，困惑度 4.10、Spearman CAI 相关性 0.40，显著超过 ModernBERT；团队随后扩展到 25 个物种，用 55 GPU 小时训练了 4 个生产模型，建立了其他开源项目没有的物种条件化系统。
Hugging Face Blog精选AI 评分6060 NVIDIA 发布一天内微调领域专用嵌入模型的完整教程
NVIDIA 在 Hugging Face 博客发布教程，用 6 条命令在单张 80GB GPU、不到一天内把 Llama-Nemotron-Embed-1B-v2 微调为领域专用嵌入模型，无需人工标注。
推荐理由：原文给出从文档到部署的完整六步命令与关键超参数，读者可照此在单卡上微调自己的领域嵌入模型。
Hugging Face Blog精选AI 评分6565 Hugging Face 发布 2026 年春季开源生态报告：中国模型下载量反超美国
Hugging Face 发布 2026 年春季开源生态分析，过去一年用户增长至 1300 万、公开模型超 200 万、公开数据集超 50 万。
推荐理由：Hugging Face 用平台自身数据刻画开源 AI 一年来的竞争、地理与社区变化，读者可以据此把握生态格局的量化走向。
Berkeley AI ResearchAI 评分4747 SPEX 与 ProxySPEX：如何大规模识别 LLM 的关键交互
Berkeley AI Research 提出可在大规模下识别关键交互的 SPEX 与 ProxySPEX 算法，通过消融实验解释 LLM 行为。SPEX 利用稀疏性和低度性将交互发现转化为稀疏恢复问题，规模较此前方法提升数个数量级；ProxySPEX 进一步利用层级结构，以约 10x 更少的消融达到与 SPEX 相当的性能。二者可用于特征归因、数据归因和模型组件归因。
Google ResearchAI 评分5757 Google 发布 Groundsource：用 Gemini 将新闻报道转化为灾害历史数据
Google Research 推出 Groundsource，利用 Gemini 从 80 种语言的新闻报告中提取结构化洪水事件，生成覆盖 150 多个国家、2000 年至今的 260 万条记录的开源数据集。
OpenAI NewsAI 评分3232 OpenAI 推出 IH-Challenge 改进前沿 LLM 的指令层级
OpenAI 的 IH-Challenge 训练模型优先遵循可信指令，以改进前沿 LLM 的指令层级。该方法同时提升了安全可操纵性，并增强了对提示词注入攻击的抵抗力。
Hugging Face BlogAI 评分4545 Hugging Face 从 16 个开源 RL 库总结异步强化学习训练经验
Hugging Face 为给 TRL 设计新的异步训练器，调研了 16 个围绕异步 RL 训练构建的开源库，并从编排原语、rollout 缓冲、权重同步协议、staleness 管理、partial rollout、LoRA 支持和分布式训练后端 7 个维度对比。
Hugging Face BlogAI 评分5656 Hugging Face 解析 Ulysses 序列并行：如何训练百万 token 长上下文
Hugging Face 官方博客详解 Ulysses Sequence Parallelism 的原理，通过注意力头并行将长序列训练扩展到多卡，已集成到 Accelerate、Transformers Trainer 和 TRL 的 SFTTrainer。
Google ResearchAI 评分5050 Google Research 发布非洲语言开放语音语料库 WAXAL
Google Research 推出大规模开放语音数据集 WAXAL，覆盖撒哈拉以南非洲 27 种语言、超过 1 亿使用者。首批包含约 1,846 小时转写自然语音（WAXAL-ASR，采用图像提示引发自发话语）和 565 小时以上高保真 TTS 录音，以 CC-BY-4.0 许可发布，由 Makerere 大学、加纳大学等非洲机构主导采集，后续计划持续扩展语言。
Hugging Face BlogAI 评分5252 Photoroom 用 32 张 H200 在 24 小时内训练文生图模型并开源 PRX 训练代码
Photoroom 以约 $1500 算力预算（32 张 H200，$2/小时/GPU）在 24 小时内完成文生图扩散模型训练，并开源 PRX 训练代码与实验框架。
Hugging Face Blog精选AI 评分6666 Hugging Face 教程：用 Unsloth 和 HF Jobs 通过 Claude Code 等编码智能体免费微调 LFM2.5-1.2B-Instruct
Hugging Face 发布教程，讲解如何用编码智能体（Claude Code、Codex、Open Code）配合 Unsloth 在 HF Jobs 上微调 LiquidAI/LFM2.5-1.2B-Instruct。
推荐理由：官方教程给出用编码智能体加 Unsloth 在 HF Jobs 上微调小模型的完整流程，含脚本、命令和各尺寸 GPU 的每小时成本参考。
Google ResearchAI 评分5050 Google Research 推出 MapTrace：教 AI 在地图上做路径追踪
Google Research 发布 MapTrace，这是面向多模态大语言模型（MLLM）地图路径追踪任务的新任务、数据集与合成数据生成管线。
Hugging Face BlogAI 评分4646 Hugging Face 推出 SyGra Studio：可视化合成数据生成环境
SyGra 2.0.0 引入交互式环境 Studio，让用户在画布上可视化编排合成数据生成流程，替代 YAML 文件和终端操作。
Hugging Face BlogAI 评分5252 Photorium PRX 系列第二篇：用消融实验讲透文本生成图像模型的训练设计
Photorium 发布 PRX 文生图训练系列第二篇，在统一的 Flow Matching 基线上系统消融各类训练技巧。
Google Research精选AI 评分6868 Google Research 发布 ATLAS 多语言模型缩放定律，将亮相 ICLR 2026
Google Research 发布 ATLAS（Adaptive Transfer Scaling Laws），迄今最大规模公开多语言预训练研究，覆盖 774 次训练、10M–8B 参数模型、400+ 语言数据和 48 语言评测。
推荐理由：原文给出多语言训练的跨语言迁移矩阵和预训练与微调的token分界点，开发者可据此规划语言混合与算力预算。
Google ResearchAI 评分3939 Google Research 推出 GIST：智能采样的下一阶段
Google Research 在 NeurIPS 2025 上提出 GIST（Greedy Independent Set Thresholding）算法，用于训练数据子集选择，兼顾数据多样性与效用。它将问题分解为一系列最大独立集近似问题，并首次为多样性-效用权衡提供可证明的强保证：所得子集的价值至少为最优解的一半。GIST 在图像分类等任务上超越现有 SOTA 基准。
Hugging Face BlogAI 评分4545 Microsoft 提出 Differential Transformer V2：更快解码且无需自定义 kernel
微软团队（Tianzhu Ye、Li Dong、Yutao Sun、Furu Wei）发布 DIFF Transformer V2，在 DIFF V1 基础上让相减的两个 head 共享同一 GQA 组的 key 和 value，不再增加 KV head，解码速度与标准 Transformer 相当，也无需自定义 attention kernel。
Google ResearchAI 评分5858 Google NeuralGCM 论文用卫星观测改进全球长时效降水模拟
Google 发布在 Science Advances 的论文，介绍 NeuralGCM 通过直接在 2001 至 2018 年 NASA 卫星降水观测上训练，改进全球降水模拟能力。
Hugging Face BlogAI 评分4545 TII 推出 Falcon-H1-Arabic：以混合 Mamba-Transformer 架构突破阿拉伯语 AI 边界
Hugging Face 博客宣布推出 Falcon-H1-Arabic 阿拉伯语模型家族，包含 3B、7B、34B 三种规格，采用融合 Mamba（State Space Model）与 Transformer 注意力的混合架构。
Google ResearchAI 评分4747 Google Research 发布 Titans 架构与 MIRAS 框架，让 AI 拥有长期记忆
Google Research 在两篇新论文中推出 Titans 架构和 MIRAS 理论框架，将 RNN 的速度与 Transformer 的精度结合。Titans 用多层感知机作为神经长期记忆模块，通过“惊喜度量”（surprise metric）在运行时选择性存储意外信息，并辅以动量和自适应遗忘机制，实现无需离线重训练的测试时记忆。
OpenAI NewsAI 评分5050 OpenAI 收购 Neptune
OpenAI 宣布收购 Neptune，以深入了解模型行为，并加强研究人员用于跟踪实验和监控训练的工具。
Hugging Face BlogAI 评分5555 Hugging Face TRL 官方集成 RapidFire AI，微调实验吞吐最高提速 20 倍
Hugging Face TRL 官方集成 RapidFire AI，可通过 RFSFTConfig、RFDPOConfig、RFGRPOConfig 等近乎零代码的封装并发运行多个微调/后训练配置。
Google ResearchAI 评分4545 Google 用 AI 区分天然森林与其他树木覆盖，助力无毁林供应链
Google 与 Google DeepMind 联合 World Resources Institute 等机构发布 Natural Forests of the World 2020 地图与数据集，成果发表于 Nature Scientific Data。
Google ResearchAI 评分5151 Google 发布 JAX-Privacy 1.0，简化大规模差分隐私训练
Google 发布 JAX-Privacy 1.0，一套构建和审计差分隐私（DP）模型的开源工具包，提供 DP-SGD、DP-FTRL、DP 矩阵分解等算法和基于 JAX 的原生并行扩展能力。库内含 per-example 梯度裁剪、噪声注入、微批处理等组件，并附 Keras 下微调 Gemma 系列模型的完整示例，此前曾用于训练 VaultGemma。
Google Research精选AI 评分6060 Google Research 提出嵌套学习范式并发布 Hope 架构应对持续学习
Google Research 在 NeurIPS 2025 发表 Nested Learning 论文，将机器学习模型视为多层嵌套的优化问题，统一模型架构与优化算法两个层面。
推荐理由：原文提出把模型架构与优化算法统一为嵌套优化问题的新范式，并给出 Hope 架构的实验验证，对持续学习方向有方法层面的参考价值。
Berkeley AI ResearchAI 评分4747 不基于 TD learning 的强化学习：分治法训练价值函数
这篇 Berkeley AI Research 博客介绍一种基于分治而非 TD learning 的 off-policy RL 价值学习范式。
Hugging Face BlogAI 评分5757 MiniMax M2 智能体对齐复盘：泛化的关键是对全操作空间扰动的适应
MiniMax 团队成员分享 MiniMax M2 后训练中智能体对齐的关键经验。结论包括：智能体需要 Interleaved Thinking，思考可在任务任意阶段发生以应对工具输出等外部扰动。
Hugging Face Blog精选AI 评分7171 Hugging Face datasets 流式加载优化：请求数减少最多 100 倍，速度提升 2 倍
Hugging Face 发布 datasets 与 huggingface_hub 库的流式加载优化，一行 streaming=True 即可免下载训练多 TB 数据集。
推荐理由：官方给出 streaming 后端的具体优化指标和可复现代码，适合据此评估是否直接用流式替代本地下载来训练大规模数据集。
Hugging Face BlogAI 评分4040 AI for Food Allergies：用 AI 推进食物过敏研究
全球约 2.2 亿人受食物过敏困扰，Hugging Face 发起 AI for Food Allergies 项目，打造首个社区驱动的研究实验室，探索 AI 如何推进食物过敏研究。该项目计划以开放协作的方式桥接 AI 与生物医学，涵盖过敏原预测、药物靶点建模、临床诊断与标签识别等方向，让研究者、临床医生和患者共同受益。
Hugging Face BlogAI 评分5050 NVIDIA 发布 Nemotron-Personas-India：面向主权 AI 的开源合成人物数据集
NVIDIA 发布 Nemotron-Personas-India，首个对齐印度真实人口分布的开源合成人物数据集，采用 CC BY 4.0 许可。数据集包含 2100 万个人物（3M 记录 × 7 人物），共 7.7 billion tokens，支持英语和印地语（天城文与拉丁字母），覆盖全部 36 个邦和 640 个地区。
Hugging Face BlogAI 评分4747 NVIDIA 发布 Nemotron-Personas-Japan：面向主权 AI 的日语合成数据集
NVIDIA 发布首个面向日本人口统计、地理与文化特征的开源合成人设数据集 Nemotron-Personas-Japan，采用 CC BY 4.0 许可。
Hugging Face BlogAI 评分4545 SyGra：面向 LLM 和 SLM 数据构建的一站式框架
Hugging Face 介绍了 SyGra，一个用于 LLM 与 SLM 数据集创建、转换与对齐的低代码/无代码框架。它以 Python 库形式提供，支持 vLLM、Hugging Face TGI、Triton、Ollama 等多种推理后端，用户只需专注于提示词工程。该框架可覆盖 Q&A 生成、DPO 偏好对、推理增强、多语言转换、质量过滤及 RAG 场景等多种数据构建需求。
Hugging Face BlogAI 评分5353 Hugging Face 发布 LeRobotDataset v3.0，支持大规模机器人数据集与流式读取
Hugging Face 发布 LeRobotDataset:v3，将多个 episode 合并到同一 Parquet 和 MP4 文件并通过关系型元数据检索，解决 v2 每集一文件在扩展到数百万 episode 时的文件系统瓶颈。
Hugging Face Blog精选AI 评分6464 Hugging Face 发布 Jupyter Agent：微调 Qwen3-4B 提升 DABStep 数据科学任务表现
Hugging Face 发布 Jupyter Agent 项目，用约 2TB Kaggle 笔记本构建 51k 条合成轨迹、近 0.2B tokens 的数据集，微调 Qwen3-4B-Instruct-2507 与 Qwen3-4B-Thinking-2507。
推荐理由：原文完整给出从数据清洗到微调的管线与消融数字，读者可复用其中提升小模型数据科学能力的做法。
Berkeley AI ResearchAI 评分4848 word2vec 究竟学到了什么？Berkeley AI Research 给出定量理论
Berkeley AI Research 提出理论证明，在从接近零的小初始化等温和近似条件下，word2vec 的学习问题可归约为无加权最小二乘矩阵分解，最终学到的表示等价于对目标矩阵 M* 做 PCA。
Hugging Face BlogAI 评分4949 NVIDIA 发布 600 万条多语言推理数据集 Nemotron Post-Training Dataset v2
NVIDIA 发布 600 万条多语言推理数据集 Nemotron Post-Training Dataset v2，将原有英文推理数据翻译为法语、西班牙语、德语、意大利语和日语五种语言，并保留原始英文推理链。
Hugging Face BlogAI 评分4646 Kimina-Prover-RL：开源 Lean 4 形式化定理证明训练管线发布
Numina 与 Kimi 开源 kimina-prover-rl，一个基于 DeepSeek-R1 推理范式、与 Verl 完全兼容的 Lean 4 形式化定理证明训练管线，采用 GRPO 强化学习并配套 kimina-lean-server 验证服务。
Hugging Face Blog精选AI 评分7171 Hugging Face 开源 AI Sheets：用开放模型无代码构建和增强数据集
Hugging Face 发布开源无代码工具 AI Sheets，用于以电子表格方式构建、转换和增强数据集，可本地部署或在 Hub 上免费试用，支持通过 Inference Providers 调用 Hub 上数千个开放模型（含 OpenAI 的 gpt-oss）。
推荐理由：官方发布的无代码数据处理工具，原文说明了用提示词建列、few-shot 反馈和 LLM 评审等玩法，读者可判断是否引入自己的数据流程。
Hugging Face BlogAI 评分4545 Accelerate ND-Parallel 上手指南：如何高效进行多 GPU 训练
Hugging Face 与 Axolotl 在 Accelerate 中集成了 ND-Parallel，可通过 ParallelismConfig 类任意组合 DP。