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。
Hivemind 这个工具现在开放了持续学习功能，专门给 AI 编程智能体用。它会自动收集 Claude Code、Codex、Cursor、Hermes、Pi 这些助手干活时的操作轨迹，把成功的套路提炼成可复用的技能，存到你自己的云盘里，再同步给所有助手。内置的 SkillOpt 负责持续训练这些技能，效果上，Claude Code 准确率涨了 19...
推荐理由：HKR三项都站得住，但这是Hivemind的一次功能更新，不是大厂动作，也没有其他来源交叉验证。52个场景的测试结果让它有干货，够格进低位的featured。
OpenBMB 把 VoxCPM2 的技术报告和模型都放出来了，Apache 2.0 协议。这是个 20 亿参数的语音生成模型，用超过 200 万小时的多语言语音数据训练，能说 30 种语言和 9 种中文方言。它主要干三件事：按自然语言指令设计语音、可控地克隆声音，以及高保真地延续一段语音。技术方案上，它把语音拆成两步走——先用 16kHz 做语义编码...
推荐理由：HKR 三项都踩中了：200 万小时训练数据和 9 种方言是实打实的钩子，参数和协议信息也够新，对国内语音开发者有直接参考意义。分数定在 78 是因为技术报告正文没给出具体的评测基准和对比数字，实际效果和落地表现还不清楚，这点先别太激动。
Google DeepMind 公布在塞拉利昂开展的预注册随机对照试验结果，使用 Guided Learning 的学生数学成绩比对照组提升 0.258 个标准差，相当于八周内取得约 1.2 至 1.7 年的常规学习进度。
推荐理由：原文给出塞拉利昂随机对照试验的量化结果与交互数据，可了解 AI 辅助教学在真实课堂中的效果边界。
这篇文章的正文被微信环境异常页挡住了，看不到具体技术细节。从标题和现有摘要看，快手可灵和城大合作了一个叫 VLM-as-Teacher 的方法。思路是在测试阶段用视觉语言模型（VLM）给视频生成模型（VGM）的 LoRA 模块打分反馈，边生成边优化，让模型学会按文字规则推理。他们搞了个 VBVR-Bench 基准，分数从 0.666 提到了 0.781...
推荐理由：正文被微信环境异常页挡住了，看不到技术细节，这点先打个折。但从标题和摘要看，快手可灵和城大搞的 VLM-as-Teacher，思路是在测试阶段让视觉语言模型给视频生成模型的 LoRA 打分，边跑边调，让模型学会按文字规则推理。VBVR-Bench 上分数从 0.666 提到 0.781，说明规则遵循能力有明显提升。方法本身有巧思，不是换模型架构，而是在推理时加一层在线优化，对可控视频生成是个实用方向。信息缺口在于没看到具体实现和消融实验，等正文能看了再补判断。
Tomasz Tunguz 观察到，基础模型公司往上抢应用层生意、最聪明的闭源模型越来越贵、开源模型又已经够用，这三件事逼着 AI 买家开始大规模“换芯”。Coinbase 把简单任务分流到便宜模型，用量指数级涨但成本没变；Lindy 把所有流量从 Anthropic 切到 DeepSeek v4，省了几百万美元，核心场景效果反而更好；Harvey 在...
推荐理由：这篇不是那种“AI 要颠覆一切”的空话，而是把 Coinbase、Lindy、Harvey 这些公司怎么在实际业务里换模型、省了多少钱讲得很清楚。Harvey 那个 84 美元对 954 美元的例子尤其直观，让人一看就知道成本压力有多大。它属于对行业成本结构变化的扎实观察，不是重大模型发布或产品上线，所以放在 featured 里、76 分这个位置是合适的。
这个项目用四家不同实验室的小模型（OpenAI 的 gpt-oss-20b、OpenBMB 的 MiniCPM3-4B、NVIDIA 的 Nemotron-Mini-4B 和一个自己微调的 0.5B Qwen）分别扮演市场里的不同角色，玩家则充当幕后金主，可以放贷、散布真假内幕消息、做空和贿赂。模型之间的差异本身就是卖点，让市场博弈更像真的吵架而不是念...
推荐理由：我会先打个折：这只是个实验项目，不是产品。但它的切入点很巧——用小模型之间的差异来制造博弈感，而不是硬靠 prompt 演。技术细节也够实在，vLLM 版本冲突、0.5B 模型的表现数据都摆出来了，做 agent 的人能直接参考。正文没披露微调那 0.5B Qwen 的具体数据配方，这点先别太激动。整体值得一看，放在低 featured 合理。
Google 把 Colab 搬进了终端。装一个命令行工具，就能在本地敲指令直接租用 A100 或 T4 这类高性能 GPU，把本地的 Python 脚本扔到云端跑，跑完再把模型、数据集和可回放的 notebook 日志拉回本地。它还给 AI 编程助手（比如 Antigravity、Claude Code）准备了现成的技能文件，让这些助手也能自己调 G...
推荐理由：Google 给 Colab 出了个命令行工具，不用开浏览器就能在终端里租 GPU 跑代码，跑完自动把模型和 notebook 日志拉回本地。还顺手给 Claude Code 这类 AI 编程助手配了技能文件，让助手也能自己调 GPU。对经常用 Colab 白嫖算力或者想给 agent 接远程执行环境的人来说，这比网页版灵活不少。不过正文没提价格变化和并发限制，实际租用体验还得看后续。
General Instinct 开源了 InstinctRazor，一个专门给边缘设备用的模型压缩方案。他们拿 Qwen3.5-122B-A10B 开刀，这个模型原本是 BF16 格式的混合专家模型（MoE），体积大约 245GB。压缩后变成一个 48GiB 的 GGUF 文件，比 Gemma-4-26B-A4B 还小，但在 MMLU-Pro 和 G...
推荐理由：我会先打个折：这是 YC 的 Launch HN，不是独立评测，性能数据得等第三方复现。但亮点很实在——把一个 245GB 的 MoE 模型压到 48GiB，还能在消费级显存上跑 8k 上下文。正文没披露压缩后推理速度有多快，也没说 MMLU-Pro 具体掉了多少分，这点先别太激动。不过思路本身对想在本地跑大模型的团队挺省钱，所以放在 featured 合适。
这篇文章本身因为微信环境验证没抓到正文，只能根据已有的英文标题和摘要来还原。核心信息是两条：一是 Yann Dubois 在采访里说 OpenAI 大概在去年 12 月跨过了一个“可靠性阈值”，具体指什么、怎么验证的，正文没披露；二是 Anthropic 内部数据显示，到 2026 年第二季度，公司里每人每季度的代码贡献量已经是 2024 年第一季度的...
推荐理由：我会先打个折，因为这是二手采访分析，不是官方发布或可复现的测试。但三条理由都站得住：标题里的“可靠性阈值”是个悬念钩子，正文抛出了两个带时间或倍数的具体说法，而且讨论的是中美从业者都在盯的算力差距和效率竞赛。所以给到 82 分，放在 featured 位置，不往上拔了。
微软在 Build 2026 一口气发了七个自研模型，头一回做推理模型 MAI-Thinking-1。这是个万亿参数、每次激活 350 亿的大家伙，上下文窗口 12.8 万 token，专啃多步指令和代码。内部盲测说比 Anthropic 的 Sonnet 4.6 更受偏爱，但看公开跑分，大概跟 DeepSeek V3.2 打个平手。微软强调模型是从干...
推荐理由：微软在 Build 2026 上发了 7 个自研模型，图像生成直接对标 Google 并声称超越，推理模型则明确说还在追赶。同时公布了一种新调优方法和一个后台自主智能体。正文没披露具体模型名称、基准分数和开放时间，所以信息有冲击力但缺验证细节，重要性给到 84 是合适的，先别急着当定论。
英国竞争与市场管理局（CMA）对谷歌提出新要求：网站主现在可以把自己的内容从 AI 搜索概览（AI Overviews）这类功能里撤出来，也能禁止谷歌拿这些内容去微调自己的 AI 模型。说白了，就是给了内容方一个“别用我的东西训练你”的选项。不过正文没披露这个退出机制具体怎么操作、是统一开关还是按功能细拆，也没说谷歌需要在多长时间内落实。
推荐理由：我会先打个折：正文没写具体时间表和违规处罚，所以重要性停在 80 分。但这条消息本身够硬——英国 CMA 要求 Google 让网站能选择不进入 AI Overviews，并且不能偷偷用这些内容微调模型。对做 AI 搜索和 RAG 的人来说，这意味着外挂资料库的入口可能被掐掉一部分，模型能用的公开数据也会变少。如果是真的落地，出版商至少多了一个谈判筹码，Google 的 AI 搜索训练管道也得改。
这篇文章正文被微信环境验证挡住了，看不到具体内容。从标题和已有的英文摘要看，Junpeng Zhang 他们发现，用高度同质化的数据做 SFT 时，有效训练窗口其实很短，大概几百到一千步左右。他们搞了一个基于交互信号的预警方法，能在 loss 差距还没拉大之前就检测到过拟合，据称能省下 30% 到 50% 的训练算力。不过具体怎么检测、实验怎么设计的，...
推荐理由：这篇论文没画大饼，直接给了一个可操作的结论：同质化数据做 SFT，有效训练步数很短，几百到一千步就差不多了。他们还提出一种交互机理预警，能比传统看 loss 更早发现过拟合，实测能省下 30% 到 50% 的算力。对天天在调参、担心过拟合又心疼显卡钱的人来说，这个发现挺实用。不过正文没披露实验用的模型规模和具体数据配比，实际省下来的算力在不同场景下会打多少折扣，还得自己试。
作者深入研究了字节跳动的 verl（一个做 RLHF 强化学习微调的开源框架），把它的核心流程拆了一遍：DataProto 数据协议怎么走，模型怎么生成回答（rollout），怎么打分（reward），怎么算优势函数（advantage），最后怎么更新模型。作者本来维护了一个自己的分支，但因为上游几乎每天都有改动，同步的成本比自己做改动还高，最后只能停...
推荐理由：这是一篇来自一线的 RL 后训练框架使用报告，不是官方发布。作者没在推销什么，而是老实交代了 fork 又放弃的原因和踩坑记录。我会先打个折：信息密度不错，但只覆盖单机场景，正文没披露多机下的 NCCL 表现。对正在选型或折腾 verl 的人有参考价值，对其他人可能就只是看个热闹。
NVIDIA 的 Cosmos 3 在 Artificial Analysis 的开放权重榜单上，文本生图和图片转视频两项都排到了第一。它用了一种叫 Mixture-of-Transformers 的架构，把自回归推理器和扩散生成器拼在一起，有 16B 参数的 Nano 版和 64B 参数的 Super 版。Super 版在两项任务上分别超过了 HiD...
推荐理由：Cosmos 3 在 Artificial Analysis 的开放权重榜上把图像和视频生成的头名都拿了，我会先打个折——这只是单一基准的排名，不代表实际场景一定最强。但亮点在于它直接给了 16B 和 64B 两个尺寸，而且权重、代码、数据、微调方案全开源，这点对想自己训模型的人挺实在。正文没披露训练成本和推理延迟，所以别急着下“省钱”的结论。整体看，这条消息对关注开源多模态竞争的从业者有参考价值，放在 featured 档合适。
OpenBMB 跟清华 NLP、Modelbest 一起发了两个数据集，都挂在 HuggingFace 上。一个是 Ultra-FineWeb-L3，给预训练用的合成数据，总量超过 600B token，其中英文 400B+、中文 200B+，是目前最大的开源中文预训练合成数据集。另一个是 UltraData-SFT-2605，给模型做指令微调用的，有...
推荐理由：我会先打个折：正文没披露数据质量评测、去重细节和许可证，所以没法判断实际可用度。但两个数据集的体量摆在那，600B+ tokens 的网页语料和 15M+ 条 SFT 样本，对做预训练和指令微调的人是实打实的弹药。冲上 HuggingFace 趋势榜说明社区有需求，不过这点先别太激动，热度不等于质量。整体看，这是一次对开源训练数据供给的补充，尤其对中文场景，值得关注但需要等后续评测。
作者用一张 12GB 显存的 RTX 3060 训练了一个叫 Mamba-Titan-1.4B-Reasoning 的模型。做法是把一个 1.4B 参数的 Mamba-1 主干完全冻结，只在第 24、25 层外挂了 8 个可训练的专家臂，组成一个总参数量 2.54B 的混合专家模型，每次推理只激活其中 2 个专家。数学题准确率大概做到 50%。正文没披...
推荐理由：这是一篇 Reddit 个人实验帖，不是论文，也没有独立复现，所以我会先打个折。但它的价值在于把一次失败解剖写得清楚：在单张 RTX 3060 上，冻结 Mamba 主干、外挂 8 路 MoE 做推理，最后数学准确率卡在 50% 左右。正文没披露训练时长和具体数据集，这点信息有缺口。对想用消费级显卡折腾推理模型的从业者来说，这篇能省掉一次踩坑，属于低门槛、有参考意义的 featured 内容。
现在给 Agent 塞一堆工具，它经常不知道该点哪个。复旦和通义实验室提出了一套叫 ToolCUA 的训练方法，核心是用约 4000 个合成工具和 18 万步的“屏幕操作+工具调用”交叉轨迹来训练模型。他们训出来的 ToolCUA-8B 在 OSWorld-MCP 基准上跑到了 46.85% 的准确率。不过正文因为微信环境验证没抓到，具体训练细节和对比...
推荐理由：这篇文章抓了一个实际工程里的矛盾：工具越多，Agent 越不会选。我会先打个折，46.85% 的准确率不算高，但考虑到是 4k 工具的环境，这个数字说明问题确实难。18 万步合成轨迹是亮点，意味着训练数据不用全人工标，成本上友好一些。正文没披露推理延迟和实际部署的资源消耗，这点先别太激动。整体是一篇有痛点的研究发布，不是大模型或产品级发布，所以放在 featured 里合适。
香港中文大学等团队搞了个新优化器叫 Pion，核心思路是不动权重矩阵的奇异值，只在“等谱流形”上做正交等价变换来更新参数。他们拿一个 6000 万参数、没用归一化层的类 LLaMA 模型试跑，Pion 稳定训练了 96 亿个 token，而 AdamW 和 Muon 都崩出 NaN 了。正文没披露更大规模模型或具体下游任务上的效果，所以这点先别太激动，...
推荐理由：我会先打个折：这篇是优化器数学，不是产品发布，所以分数在 78–84 之间。但它的钩子很直接——AdamW 和 Muon 会训崩，而 Pion 用“在等谱流形上更新”这个思路稳住了。正文给了 60M 模型、9.6B token 的无归一化实验，证明能避免 NaN，这对做训练的人有实际参考价值。信息量够，痛点准，所以 HKR 全过。
FaceMind 团队在 100 种语言和四类核心任务上做了实验，结论很简单：保持意思不变，把提示词或微调文本换成预训练语料里出现频率更高的说法，大模型的表现会明显提升。他们把这个规律叫 Adam's Law（文本频率定律），相当于给数据工程补上了“频率”这个维度。原理不复杂——高频表达让模型在自己最熟悉的概率空间里干活，输出质量自然更稳。不过正文没披...
推荐理由：我会先打个折：正文没披露具体用了哪些模型、数据集和效果提升的幅度，所以没法判断这个“更好”到底好多少、在什么规模的模型上成立。但选题本身很聪明，用 100 种语言和四类任务把“高频词有效”这个反直觉结论撑起来了，对天天调提示词的人来说是个值得自己复现一下的线索。
文章页面被微信环境验证挡住了，正文内容没拿到。从现有标题和英文摘要看，讲的是 FaceMind 团队把大模型在“马嘉祺”这类低频词上翻车的现象，和两篇论文串了起来：一篇是 EMNLP 2025 的 SLoW，另一篇是刚被 ACL 2026 接收为 Oral 的 Adam's Law。摘要里还提到一个具体数字——用高频词改写的方法，把 DeepSeek-...
推荐理由：这篇文章把马嘉祺让大模型翻车这个意外事件，和低频 token 退化这个技术问题绑在一起讲，切入点很巧。它不光讲现象，还给出了两篇顶会论文的机制解释，以及 DeepSeek-V3 上 8 个百分点的准确率提升，对做模型评测和提示工程的人有直接参考价值。不是大模型发布那种重磅消息，但属于扎实的研究信号，值得放进精选。