#数据/训练

X.PIN@thexpin· 19:18AI 评分7373

The Information报道称，中国可能允许顶级AI公司购买数量有限的Nvidia H200芯片。官员已告知阿里巴巴、字节跳动和DeepSeek，他们可以申请用于训练AI模型的处理器，但必须说明需要多少以及为何需要。据消息人士称，国产芯片在大规模训练方面仍然存在困难，而总购买量可能被限制在20万块以下。

SK海力士280亿美元美股发行获7倍超额认购，7月10日纳斯达克上市

SK海力士280亿美元ADR发行获7倍超额认购，预计7月10日纳斯达克挂牌，成全球史上第二大IPO。资金将用于建厂和采购设备，满足AI芯片需求。公司凭借HBM芯片成为英伟达最大存储合作伙伴，英伟达CEO黄仁勋称存储芯片短缺将持续数年。SK海力士未来12个月预期市盈率5.5倍，低于美光的6.66倍。

网络博主用 AI 气象大模型发布台风预报涉嫌违法

中央气象台预计第9号台风“巴威”可能来袭，部分博主以“天气爱好者”名义，借助开源AI气象大模型在社交平台发布台风路径及降雨预测，并针对特定地点进行付费预测，单次收费约10元。根据《中华人民共和国气象法》，公众气象预报由气象主管机构所属气象台统一发布，个人发布预报涉嫌违法，可处五万元以下罚款。专家指出，气象大模型虽速度快、占用资源少，但受分辨率限制（全球0.25度，约25公里一个数值），对极端降水、极端风速等刻画不准确，难以满足精细化预报需求。

Rohan Paul@rohanpaul_ai· 12:59AI 评分6363

一项研究利用OpenRouter上380万亿模型token数据，将token、支出和用户增长整合为AI需求信号，衡量公司股价对该信号的敏感度（AI beta）。AI beta更高的公司后续获得更高股票回报，差异在闭源模型、付费用户、经验用户和长提示场景下最显著。剔除科技股、半导体、AI ETF等因素后效应仍存。市场对沟通、指令等交互类工作的AI暴露评价积极，而对分析、科学和运营控制类工作评价消极。研究表明实际AI消费已体现在市场定价中。

Rohan Paul@rohanpaul_ai· 07:58AI 评分5252

上海大学论文提出HOLA，为线性注意力/状态空间模型增加精确记忆缓存，专门存储那些导致模型最大修正的“意外”token，读取时采用更锐利的方式提取。该方法解决了快速模型将所有信息压缩到单一固定状态导致长序列早期细节被覆盖的问题。在340M参数测试中，Wikitext困惑度从27.32降至22.92，超越同基准快速模型和全注意力Transformer++；仅用2k上下文训练即可在32k token范围内保持优异召回。

Anthropic@AnthropicAI· 07:55AI 评分6262

新研究提出GRAM训练方法，可将病毒学等双用途AI能力放入可移除模块。Anthropic表示很高兴与AE Studio合作完成这项研究。

面向AI模型双重用途知识的“开关”：Anthropic与AE Studio提出GRAM方法

Anthropic与AE Studio联合提出梯度路由辅助模块（GRAM）方法，通过在Transformer每层添加可移除的神经元模块，使模型在训练时将病毒学、网络安全、核物理、专业编程语言等双重用途知识仅路由到对应模块，而非扩散至全局。训练后删除模块即可消除该能力，保留则供可信部署使用。实验在合成数据、真实数据及50M到5B参数模型上测试，GRAM效果与数据过滤相当，移除模块不降低通用性能，且比事后“遗忘”技术更难恢复。该研究为平衡双重用途知识的安全访问与有益使用提供了更鲁棒的方案。

LangChain：改进 AI 智能体本质是一个数据挖掘问题

LangChain 通过挖掘智能体运行轨迹（traces）来定位失败模式，并利用这些数据微调评估模型（judge models），其成本低于前沿大语言模型。该方法结合评估（evals）进行性能爬山（hill-climb），以系统化方式提升智能体表现。

Netflix 工程团队为 Cassandra 宽分区提出动态拆分方案，读取延迟降至毫秒级

Netflix 工程团队为 Apache Cassandra 4.x 上的 TimeSeries Abstraction 平台提出动态分区方案。该方案按 TimeSeries ID 异步透明拆分宽分区，无需应用改动。检测阶段在读取路径上通过字节计数和 Kafka 事件触发，优先拆分不可变分区；使用 Bloom 过滤器（微秒级）和缓存的 wide_row 元数据查找路由读取到子分区。校验包括校验和、保留原始分区、Data Bridge Spark 检查和影子对比。效果上，读取延迟从秒级降至两位数毫秒，尾延迟降至约 200ms，500MB+ 分区保持可用。

General Intuition：机器人领域将迎来 ChatGPT 时刻

机器人基础模型初创公司 General Intuition 认为，如同 GPT-3 开启大语言模型时代，机器人领域也将走向通用模型。该公司基于数百万小时游戏数据（含人类控制器操作记录）训练出基础模型，仅用 8 分钟真实机器人数据微调即可让四足机器人仅靠前置摄像头零样本在动态办公室环境中行走。上月该公司完成 3.2 亿美元融资，估值 23 亿美元。其目标是成为物理 AI 的基础模型，供其他机器人公司上层构建。

Odyssey@odysseyml· 02:52AI 评分5050

Odyssey 指出 AI 社区过度关注静态训练，忽视动态环境对智能的塑造。传统 RL 代理在 Minecraft、StarCraft 等预定义环境中受限，无法随智能提升进化。Odyssey 提出世界模型——一种自学习智能系统，能生成无限动态环境，并与 RL 代理相互迭代挑战，打破智能上限。其项目 Agora-1 验证多参与者（人类或 AI）可共享同一生成世界；PROWL-1 证明 RL 代理能主动发现世界模型失败点并转化为训练数据，形成自激进开放学习系统。多智能体共享世界的协作与对抗将进一步推动智能涌现。

贝佐斯支持的 General Intuition 获 3.2 亿美元融资，利用游戏数据训练世界模型推动 AGI

纽约初创公司 General Intuition 完成 3.2 亿美元融资，估值 23 亿美元，投资方包括 Coatue、Eric Schmidt、MIT 及 Google DeepMind 研究人员。该公司认为 ChatGPT、Claude 等大语言模型缺乏对物体在时空中运动的理解，游戏数据可填补这一空白。公司基于游戏数据训练世界模型，推动物理 AI 发展。CEO Pim de Witte 透露，公司从 Medal TV 拆分，已拒绝 OpenAI 的收购要约以保持独立，并推出 Nerve 平台，连接游戏玩家与数据标注及远程操作工作，应对 AI 对就业的冲击。

NVIDIA 发布 Nemotron 开放数据集与配套工具，支持 AI 智能体开发

NVIDIA Nemotron 开放数据集包含超过 10 万亿预训练 tokens 和数百万后训练样本，覆盖多领域与工具使用场景，支持 AI 智能体开发。同步推出 Nemotron Post-Training v3 Prompt Atlas，交互式可视化后训练数据分布；Nemotron-Personas 基于 NeMo Data Designer 生成合成人物画像，覆盖 24 亿人口，反映区域人口统计特征。合成数据保护组织专有数据的同时，使智能体行为可检查、可解释，推动开放生态下的可复现研究。

Cloudflare 与 OpenAI 启动试点项目，利用全球网络洞察数据提升 AI 搜索效率

Cloudflare 与 OpenAI 启动研究试点项目，探索利用 Cloudflare 全球网络的网站洞察数据（包括内容时效性、流量质量及实际页面变动），帮助 AI 搜索引擎更高效地发现和索引开放网络内容，以提升回答的准确性与时效性。Cloudflare 全球网络承载超 20% 的互联网流量，可提供实时内容变动与流量特征视角；OpenAI 则提供前沿模型、搜索问答系统及真实用户查询数据。双方将联合研究信号驱动的抓取和索引技术如何提升答案准确度与时效性。

法国反垄断监管机构责令 Meta 就版权费问题与媒体集团重启谈判

法国竞争管理局责令 Meta 重启与法国媒体集团的内容刊载付费磋商。此前谈判破裂，媒体出版商提出申诉。调查认定 Meta 计算付费金额的做法涉嫌滥用市场支配地位，勒令其 15 日内提交详细付费方案。Meta 此前与法国报业协会 DVP、APIG 达成的合作协议已于 2024 年到期，双方未能敲定费用，法国媒体至今未收到报酬。反垄断局长称 Meta 拒不考量其他计费核算方式，也拒绝提供所需数据。

尼日利亚将对人工智能企业涉嫌侵犯该国媒体行业权益进行调查

尼日利亚联邦竞争和消费者保护委员会（FCCPC）7月6日宣布，将对Meta、Alphabet、X及某些生成式人工智能平台展开调查。调查源于尼日利亚新闻组织请愿，称这些数字平台影响该国新闻生态系统可持续发展。调查聚焦涉嫌滥用市场支配地位、未经授权使用受版权保护的新闻内容训练生成式AI模型，以及未与新闻出版商进行公平商业合作。

千问APP接入五大医学知识库，升级健康溯源能力

千问全面接入国家药监局全量药品说明书、中国营养学会知识库、最新临床指南、千万级医学文献及超万部医学出版物共五大权威医学知识库，并升级“健康溯源”能力。每条健康回答均标注权威出处，关键信息高亮显示并支持点击查看原文，按循证医学优先级（最新临床指南→核心文献→多来源交叉印证）生成回答。健康百科内容经三审三校，由三甲医院医生参与编审。用户可直接在千问APP中提问体验。

智能免费，然后呢？——Data Systems for, of, and by Agents

AI推理成本急剧下降。GPT-4级能力从2023年初每百万token约30美元降至今天不到1美元，部分供应商已低于0.10美元。推理价格每年下降9至900倍，中位数约50倍。知识工作级智能即将近乎免费。这给数据系统带来三重变革：面向智能体的数据系统需支持智能体推测式探索——单个

AE Studio 与 Anthropic 提出 GRAM 模块化预训练方法，可按需隔离模型危险能力

AE Studio 与 Anthropic 合作提出 Gradient-Routed Auxiliary Modules（GRAM），通过在 Transformer 每层 MLP 中加入辅助模块，将双用途知识（病毒学、网络安全、核物理、专用代码）隔离到可开关的模块中，删除模块即可移除对应能力。

Cognition 发布 SWE-1.7 模型并详解 RL 训练方法

Cognition 发布 SWE-1.7，称其以更低成本达到前沿智能水平。模型基于 Kimi K2.7 底座训练，FrontierCode 1.1 Main 通过率 42.3%，Terminal-Bench 2.1 为 81.5%，已在 Devin（Web、Desktop 和 CLI）中经 Cerebras 以 1000 TPS 提供。

DynaMiCS：带性能约束的大语言模型动态混合微调

DynaMiCS是一种动态混合优化器，将多领域微调建模为带性能约束的优化问题。它通过短领域特定探测运行估计跨领域效应斜率矩阵，再基于概率单纯形优化计算混合权重，在提升目标领域性能的同时将约束领域损失维持在参考水平以下。实验表明，DynaMiCS相比固定混合基线取得更强的目标领域提升和约束满足，且计算成本更低，无需参考模型、逐样本评分或手动调节混合权重。

SemiAnalysis 新报告：Meta 算力采购加速，2027 年资本开支或大增

SemiAnalysis 研报指出，Meta 仅 2026 上半年已签约超 5GW 算力，累计近 10GW，预测 2027 年资本开支将“高到令人震惊”。研报列出四类高毛利业务支撑采购：超级智能实验室、广告推荐扩容 10 倍、与 Anthropic 潜在约 100 亿美元算力合作（未证实）、“SpaceX 模式”按需算力合约。若仅拿出 200MW 对外商用，每年可创收超 100 亿美元。CoreWeave 等新兴云服务商将受益。Meta 股价涨 2.2%，关键验证节点为 7 月 29 日二季度财报与 8 月 18 日 CoreWeave 财报。

Omdia：预计今年中国半导体市场规模超 8000 亿美元，存储芯片市场暴涨 262.9%

7月7日，Omdia发布报告称，2026年中国半导体市场规模预计达8120.8亿美元（约5.52万亿元人民币），同比增长92.9%，较此前预期上调48.6%。存储芯片市场增幅达262.9%，规模至4496亿美元。受AI基础设施建设驱动，计算与存储大类同比增长126%，占整体市场62.9%。同期全球半导体市场将突破1.6万亿美元，计算存储大类占比60.7%。

Rohan Paul@rohanpaul_ai· 11:53AI 评分7272

三星强调AI同样依赖内存，其季度利润暴增19倍至584.4亿美元。AI将内存从廉价商品变成稀缺基础设施：DRAM价格季度环比上涨44%，NAND上涨53%。Counterpoint数据显示，Q1 2026三星在DRAM与HBM合计市场份额达38%，领先SK海力士（29%）；NAND闪存市场份额29%，同样领先SK海力士（18%）。

字节 Seed 发布 EdgeBench：衡量真实世界环境学习，发现新 Scaling Law

字节 Seed 发布超长程评测集 EdgeBench，含 134 个真实任务（覆盖六大领域），每个任务支持 Agent 持续工作至少 12 小时。基于约 38000 小时交互数据，发现 Agent 环境学习表现遵循高精度 log-sigmoid 曲线（平均 R²=0.998）；自 2025 年 9 月至 2026 年 5 月，前沿模型学习速度约每三个月翻一倍。EdgeBench 已开源 51 个任务及完整评测框架。

构建端到端自主AI协同科学家工作流用于发现下一代EGFR抑制剂

本文构建端到端自主AI协同科学家工作流，针对非小细胞肺癌C797S奥希替尼耐药突变发现下一代EGFR抑制剂。从ChEMBL和UniProt解析靶点，挖掘EGFR IC50活性数据并转换为pIC50建模数据集。使用RDKit标准化分子、计算Morgan指纹和理化描述符，进行骨架多样性分析。训练骨架分割随机森林QSAR模型，评估其对未见化学类型的泛化能力，并用SHAP解释效力驱动特征。最后通过BRICS片段重组从强效类药活性分子中生成虚拟类似物，经药效、类药性、可合成性、新颖性和可开发性关卡筛选，并在PubChem交叉验证候选分子。

Cloudflare 将一键屏蔽 AI 爬虫改为细粒度控制，按搜索/训练/智能体分类

自2024年7月提供一键屏蔽所有AI爬虫后，Cloudflare现为所有用户（含免费计划）推出细粒度控制，将爬虫分为搜索（搜索引擎索引）、训练（AI模型训练数据采集）、智能体（代表用户行动的bot，如ChatGPT）三类。2026年9月15日起，带广告的页面默认屏蔽训练和智能体爬虫，保留搜索爬虫；多用途爬虫（如Googlebot）按最严格规则处理。Cloudflare同时为企业用户推出BotBase数据库，可查询每个bot的分类与内容使用方式（链接引用或完整复制）。验证bot规则随之变更：仅凭“已验证”标签不再放行，运营商须证明身份诚实且不滥用权限。

Fortress：一项关于通过时序数据增强和特征剪枝稳定搜索推荐的案例研究

Fortress是一个提升搜索推荐模型稳定性与准确性的通用框架。其通过收集历史数据快照、识别预测不稳定样本、剔除导致波动的特征，并仅用稳定特征重新训练模型，来抑制来自用户交互信号（如engagement特征）的波动性，同时保留其预测能力。该方法在大型应用商店的查询到应用相关性模型上验证，离线实验表明预测稳定性（以变异系数衡量）和分类性能（以PR-AUC衡量）均有提升。

TopoPrimer：预测模型中缺失的拓扑上下文

TopoPrimer 框架将序列群体的全局拓扑结构作为显式输入加入预测模型。通过持续同调与谱坐标预计算，可部署为全训练模型的 per-token 输入或预训练骨干的轻量适配器。在 Chronos 和 TimesFM 的四个基准上，TopoPrimer 在 ECL 上最高提升 7.3% MSE，零样本与微调效果相近。面对季节性需求峰值，传统模型误差退化达 50%，TopoPrimer 控制在 10% 以内；冷启动场景下 MAE 降低 27%。

Google 更新隐私设置，默认用媒体数据训练 AI，用户可手动退出

Google 于 6 月通过客户邮件低调更新了搜索服务隐私设置，新增“搜索服务历史”和“个性化推荐”两项开关，默认将用户上传的图片、文件、音频和视频录制等媒体数据保存并用于训练 AI 模型。该更新适用于搜索、地图、购物、航班、酒店、翻译、新闻等服务。用户可通过取消勾选“保存媒体”框来退出，同时可设置数据自动删除周期（3/18/36 个月）。此前独立的网络与应用活动设置不再影响搜索服务数据保留。Meta 等其他公司也在大规模收集用户媒体数据用于 AI 训练。

Google MaxText 弹性训练：训练中途终止 TPU，数秒内恢复

分布式 AI 训练常因单台机器故障导致整个多节点作业崩溃，需耗时重启。Google 的 JAX 生态通过 Pathways 实现弹性训练，将硬件故障转化为可捕获的 Python 异常，使运行进程存活。测试中，训练中途终止一个 TPU 后，系统自动替换损坏的节点、从 Cloud Storage 恢复最新检查点并原地恢复训练，总停机时间低于 2 分钟，主控制器进程全程无需重启。

路径约束的混合专家模型（Path-constrained Mixture-of-Experts）

稀疏混合专家（MoE）中，每层独立路由token。论文从“专家路径”（token在各层选中的专家序列）视角发现：尽管N专家L层有N^L条可能路径，实际token仅聚集在少数与语言功能对齐的路径上，大部分路径未被利用。为此提出PathMoE，在连续层块间共享路由参数，强制约束有效路径空间以放大自然聚集。0.9B和16B参数模型实验显示，相比独立路由，PathMoE在困惑度和下游任务上一致改进，且无需辅助损失。专家路径为MoE设计提供了新维度。

连续扩散口语语言模型的缩放性质研究

Apple与Google团队研究连续扩散（CD）口语语言模型（SLM）的缩放性质。CD SLM直接处理连续语音，避免离散化瓶颈。引入音素Jensen-Shannon散度（pJSD）评估语言质量，发现验证损失和pJSD均遵循缩放定律，最优token-to-parameter比率随计算量增加而下降。扩展至16B参数并采用数千万小时对话数据训练后，可生成富有情感、韵律、多说话人、多语言的语音，但长文连贯性仍为显著挑战。

AWS 关停 Mechanical Turk，经典“人工人工智能”谢幕

Amazon Web Services 宣布自 2026 年 7 月 30 日起停止向新客户提供 Mechanical Turk 服务，现有客户可继续使用，但进入无新功能的维护模式。同时，SageMaker Ground Truth 和 Amazon Augmented AI 也同日关闭新客户注册。Mechanical Turk 于 2005 年推出，口号“Artificial Artificial Intelligence”，让用户付费请人完成机器难处理的任务。2018 年 AWS 尝试将其转型为 AI 数据标注工具，但 2023 年研究发现众包工人开始使用语言模型，削弱了其人类数据源价值。目前 AI 实验室多依赖 Scale AI、Surge AI 等专业供应商。

一年净利有望超此前 40 年历史总和：消息称三星半导体高管内部宣布强劲预期

三星电子半导体部门（DS部）业务战略总裁在管理层会议上表示，设备解决方案部今年的净利润有望超过公司进入半导体领域40年来的总和。今年营业利润预计将符合市场预期，约300万亿韩元（约合1.32万亿元人民币）。公司每年投资超40万亿韩元并计划继续扩大规模。三星集团6月末宣布合计2655万亿韩元的在韩投资计划，其中2030万亿韩元分配至半导体领域。

Amazon Mechanical Turk 将于 2026 年 7 月 30 日起停止接受新客户

Amazon 宣布 Mechanical Turk 众包平台将于 2026 年 7 月 30 日起停止接受新客户，现有客户可继续使用，但不再引入新功能。该平台 2005 年上线，曾用于 CAPTCHA、情感分析等人工任务，后成为 SageMaker AI 服务的数据标注途径，也常被企业用来以人工冒充 AI。2023 年分析显示，平台上 33%–46% 的工人已使用大语言模型完成任务，引发数据可靠性和人类参与必要性的质疑。

AI私立学校向美国富裕家庭推销个性化学习取代传统教育

美国富裕家庭正转向Alpha School等AI私立学校。该校每天提供两小时AI辅导，之后是项目式工作坊，学费高达7.5万美元/年，2025年新增旧金山、纽约等8个校区，秋季计划在帕洛阿尔托、马里布等地再开近24个校区。传统教育在AI面前陷入困境：一项中国研究显示用AI做作业的学生考试分数下降最高24%，81%长期用户让AI代劳。风险投资人Shaun Johnson表示AI驱动的个性化是其为儿子选择Alpha的主要原因。尽管价格昂贵，AI也提供了随时可用的个人导师，成为学习机会的平等化工具。

Rohan Paul@rohanpaul_ai· 07:42AI 评分5555

CMU新研究提出Gym-Anything方法，通过双智能体循环自动将任意软件构造成AI智能体训练环境：一个智能体负责编写脚本、安装软件、加载真实数据并收集运行证据，另一个智能体用截图、日志、文件及清单审核证据并回传修复。基于该方法构建的CUA-World包含10,000+任务，覆盖200个应用和22个主要职业类别。测试显示，当前最强模型在困难长任务上也仅能解决一小部分，表明真实软件使用场景的智能体能力远未解决。

Prime Intellect 为 prime-rl 引入算法层，内置六种算法并支持按环境混用

Prime Intellect 为开源 RL 框架 prime-rl 引入一等算法层，内置 GRPO、MaxRL、On-Policy Distillation、Self-Distillation、SFT distillation 和 ECHO 六种算法。

Rohan Paul@rohanpaul_ai· 16:11AI 评分6868

路透社报道，印度 IT 行业传统招聘收缩，AI 岗位反而增长 16%。Naukri 的 JobSpeak 报告追踪超 15 万家公司发现，IT 行业整体招聘下降 3%。日常 IT 工作现在可由 AI agent 处理，旧外包模式失灵，企业需要更少普通 IT 人员、更多能构建和管理 AI 系统的高级专业人才。印度 3150 亿美元的 IT 行业面临巨大压力，新需求更窄、更资深、更专业。