数据与训练

AI 导读Nvidia发布开源数据引擎Flora，将机器人视频标注成本从每小时88美元降至72美分，质量评分略高于GPT-6 Astra。该系统基于三个微调Qwen3.5模型构建，能更可靠地捕捉机器人动作错误，但在描述准确性上有时不足。Nvidia将Flora定位为其控制整个机器人价值链战略的关键组成部分。

AI 选稿理由Flora将机器人视频标注成本降低125倍，同时保持高质量，为机器人训练数据标注提供了开源经济解决方案。

AI 导读艾伦AI与宾夕法尼亚大学合作开发了LitPivot系统，帮助研究人员在早期研究阶段根据文献动态调整研究方向。该系统将研究提案分解为问题、贡献和评估三个部分，围绕正在编辑的部分组织相关文献，并提供基于文献支持的批判和建议。在17名研究人员的实验中，使用LitPivot开发的研究想法被认为比使用文本编辑器和AI聊天工具开发的想法更基于文献，参与者也认为其修订后的想法更具创新性和实用性。

AI 选稿理由LitPivot通过动态文献关联和批判性建议，显著提升了早期研究想法的文献基础和创新性，适用于各学科研究人员的早期研究阶段。

AI 导读10月下旬爆发大规模AI加速漏洞披露潮，包括PHP2Shell、GitLab、Node.js等关键软件漏洞，以及LiteLLM密码窃取、Quest Diagnostics数据泄露等事件。Anthropic推出Claude Duet主动代理，MiniMax发布M3.1 Flash模型，DeepSeek V4.1 Flash在CVE发现成本上领先。同时，三星2027年HBM产能售罄，价格预计上涨200%。

AI 选稿理由新增大规模AI加速漏洞披露事件及多家公司模型发布，包含具体漏洞细节和性能数据。

AI 导读研究提出EdenGNN模型，可同时预测电荷密度和增强占据数，实现投影增强波精度下的电子结构计算。通过基展开公式和Δ学习策略，计算速度提高一个数量级以上。基于Materials Project数据库训练的EdenGNN-Uni模型，能准确预测周期表中大多数未见材料的能带结构，展现出比通用ML哈密顿方法更强的鲁棒性。

AI 选稿理由EdenGNN模型实现了电荷密度预测的显著加速，并首次实现了跨周期表元素的通用电荷密度预测，为大规模电子结构计算和高通量筛选提供了可扩展的从头算方法。

AI 导读研究团队提出Easy-3Dfy工作流，将对象生成与场景布局估计解耦，通过RPF对齐器建立对象局部网格与场景点云之间的几何对应关系，无需完整场景级监督即可在Scene-Maker和3D-FUTURE200数据集上超越SAM-3Dfy的多个几何指标。

AI 选稿理由Easy-3Dfy通过显式几何组合有效结合高质量对象生成与强空间理解能力，使工作流能独立受益于3D对象生成和基础模型的进步。

AI 导读研究提出一套评估蛋白质-配体结合预测结构化方法的指南，强调透明披露训练数据、代码和程序的重要性，以促进可重复性、重用和独立审查。指南还强调防范数据泄露、采样偏差和设计缺陷，并建议使用共同数据分割、运行间变异性检查和性能基线进行有意义的方法比较。

AI 选稿理由该指南为蛋白质-配体结合预测领域提供了标准化的评估框架，有助于提高研究可重复性和方法比较的可靠性。

AI 导读微软与Hugging Face联合发布ThinkingBox-Training，通过将数据库终端状态的执行检查转化为奖励信号，对Qwen3.8-27B模型进行50步GRPO微调。结果显示，模型在ThinkingBox-Bench基准测试中的平均成功率从51.70%提升至60.78%，20次尝试全部成功的任务数量从38个增加到107个。该训练方法使用离线策略相对难度选择训练任务，显著提高了代理的可靠性和重复成功率。

AI 选稿理由提供了一种将数据库状态检查转化为强化学习奖励的新方法，显著提升了代理在业务工作流中的可靠性和重复成功率，适用于需要高可靠性的数据库操作场景。

AI 导读AWS发布Amazon Quick在HIPAA合规环境下的部署指南，详细介绍了如何利用该服务构建符合HIPAA法规的AI工作空间。文章解释了HIPAA适用范围、Amazon Quick的HIPAA资格与合规区别，以及如何通过ACL访问控制、加密、审计日志等措施保护受保护健康信息(PHI)。指南包括AnyCompany Health Plan的部署案例和最佳实践，强调AWS与客户在合规责任上的分工。

AI 选稿理由提供医疗AI在HIPAA环境下的具体部署方法和合规控制措施，适用于医疗行业AI实施者。

AI 导读Hugging Face发布OlmoEarth v1.3卫星嵌入模型，提供全球10米分辨率、64和128维度的年度预计算嵌入数据，并推出基于浏览器的OlmoEarth嵌入探索工具。该模型在27项评估中超越AlphaEarth Foundations和Tessera v2，128维嵌入在20项测试中得分最高，64维版本在18项测试中领先。模型训练成本较v1.2降低53%，碳排放减少50%，同时保持微调性能。嵌入可用于作物分类、土地覆盖分析、变化检测等任务，无需GPU或高级技术知识。

AI 选稿理由OlmoEarth v1.3提供全球最先进的卫星嵌入模型，在多项评估中领先，并大幅降低计算成本和碳排放，使卫星数据分析更易获取和应用。

AI 导读微软研究院推出Flint-interactive，这是一种基于Flint的交互式数据可视化语言。它允许用户和AI代理通过点击、过滤、缩放、高亮和跨图表交互来探索数据可视化。该语言使用高级语义事件和更新操作符，简化了复杂交互的构建，并通过编译器处理交互逻辑和视觉依赖，提高了可靠性和开发效率。Flint-interactive支持创建交互式数据故事、仪表板和连接体验，使一个视图中的操作可以更新另一个视图中的图表、文档、小部件或应用程序状态。

AI 选稿理由Flint-interactive提供了一种高级语言来简化交互式数据可视化的创建，解决了传统方法中布局、渲染和调试的挑战，使AI代理能够生成更可靠、更丰富的交互式图表。

AI 导读OpenAI与PerturbAI和Scripps Research合作，部署数千个AI智能体分析数百万个小鼠细胞生物数据，完成分析仅需32分钟，而人类需数月。

AI 选稿理由AI智能体在生物数据分析上的高效能力展示。

AI 导读研究提出 Factor-Aware Predictive Learning（FAPL），把有效利用 MLLM 潜变量作为共同前提，再用互补学习信号分别实现要素感知控制与稀疏输入下的时间推断。方法含三步：冻结 MLLM 仅靠潜变量训练 DiT；用成对视频做要素跨度替换；以文本、完整视频共享目标并冻结 DiT 反训 MLLM。实验在稀疏到视频、要素感知编辑和多镜头生成三个任务上均优于基线。

AI 选稿理由论文给出让 DiT 真正利用 MLLM 潜变量、并同时控制角色/场景/动作/相机的三阶段训练方法，在三个电影级视频生成任务上验证有效。

AI 导读IBM发布Granite Timeseries Ensemble，集成四种互补架构的时间序列预测模型，提供概率和四分位数预测，无需重新训练或拟合集成权重。在GIFT-Eval基准测试中，集成模型在点预测和概率预测上均优于单个成员模型，为时间序列预测提供了稳健的默认选择。

AI 选稿理由提供了一种无需重新训练即可结合多种时间序列模型预测的新方法，在97种数据配置上验证了其有效性。

AI 导读NVIDIA扩展Cosmos平台，新增训练工具、仿真检查点和Cosmos Data Factory蓝图，帮助开发者构建世界模型。平台提供前沿开源模型、数据、训练和优化工具，支持扩展训练数据、适应模型、测试行为和部署前性能优化。Cosmos Data Factory提供五种云原生蓝图，包括自动驾驶数据集生成、图像属性增强等，已被保时捷、ANYbotics等公司应用，可减少90%重复物理测试，缩短85%开发周期。

AI 选稿理由新增Cosmos Data Factory五种云原生蓝图和具体应用案例，以及Cosmos Framework扩展支持更多开源模型，提供从训练到部署的完整工具链。

AI 导读NVIDIA在欧洲推出Earth-2开放AI模型家族，包括针对欧洲的StormScope EU区域模型，可每10分钟更新一次云况预测。AXA、Vaisala Xweather、曼彻斯特大学和TotalEnergies等机构正利用这些模型进行飓风风险评估、短期天气预报、空气质量建模和太阳能预测。Earth-2支持开发者结合多种模型满足区域需求，并提供PhysicsNeMo框架进行定制训练。

AI 选稿理由NVIDIA Earth-2开放模型在欧洲的实际部署案例，展示了AI在气象预测领域的具体应用和定制化能力。

AI 导读NVIDIA与合作伙伴及欧洲政府合作，将先进模型引入公共部门，提升行政效率并保持数据与基础设施控制权。多个欧洲国家项目采用NVIDIA开放模型，包括波兰医疗影像分析、英国合成数据集、德国数字助手、法国协作工作空间和希腊代理生态系统。NVIDIA还推出Codefest活动，支持将开放模型转化为本地化公共部门解决方案。

AI 选稿理由新增多个欧洲国家公共部门采用NVIDIA开放模型的具体案例，涵盖医疗、就业、数字助手、协作工作空间和代理生态系统等领域，展示了开放模型在公共部门的应用进展。

AI 导读研究团队提出AnyGameRenderer，一种视频到视频的生成渲染器，可将AI编程代理生成的简单游戏（如灰色块状、几何图形）转换为高质量视觉效果，同时保持布局、相机和每个实体的位置与时间不变。该模型通过LoRA微调MiniMax-H3 ref2va（33B参数）实现，支持多种游戏类型输入，并在实体级基准测试中，时间匹配率从50.9%提升至62.9%，漏检计数变化从34.7%降至21.3%。

AI 选稿理由AnyGameRenderer解决了AI生成游戏视觉效果差的问题，通过实体一致渲染技术提升游戏质量，适用于多种游戏类型，并提供了新的实体级评估基准。

AI 导读研究团队提出Cola2框架，通过动态文本分段、无辅助损失的负反馈控制压缩率，以及重建与生成监督结合，学习紧凑的潜在表示。在五个下游任务和约2100亿训练 tokens 的实验中验证了核心设计，显示竞争性且未饱和的扩展性。使用3460亿源 tokens 的未收敛检查点，在八项任务上平均达到60.10，超越Llama-3-8B在HellaSwag和StoryCloze的表现，尽管其预训练预算超过后者的43倍。

AI 选稿理由Cola2通过连续-离散自适应和压缩控制，在有限训练资源下实现超越大模型的性能，适用于资源受限的语言生成场景。

AI 导读研究揭示扩散语言模型的量化敏感性与任务和时间步相关，不同下游任务在去噪步骤中需要不同精度。基于此，研究提出T2Quant框架，使用无标签敏感信号在固定比特预算下优化激活精度分配。在三个DLM和六个基准测试中，该方法平均准确率提升最高达6.7个百分点。

AI 选稿理由T2Quant框架首次实现扩散语言模型的任务和时间感知量化，无需标签即可预测量化敏感模式，在相同预算下显著提升准确率。

AI 导读研究提出RIDAR框架，用于自动检测和干预研究完整性违规(RIV)。首先引入包含14种RIV类型的RIVT分类法，RIDAR-post-hoc在RIV-Gold基准上达到85.2% F1性能，在RIV-Wild数据集中检测到99.7%轨迹中的3,964个RIV实例。RIDAR-runtime动态检测和纠正RIV，使任务完成时剩余RIV减少36.8%。研究团队将开源代码和数据。

AI 选稿理由RIDAR框架提供了首个全面的研究完整性违规检测与干预系统，通过分类法、后检测和运行时干预三层架构，显著减少了自主研究代理中的研究完整性违规问题。