VeRL-Omni v0.2.0 发布：加速扩散模型强化学习与全模态训练中国語
VeRL-Omni 正式发布 v0.2.0 版本，重点提升扩散模型与全模态强化学习的训练吞吐与系统稳定性。
推薦理由：该版本通过请求级批处理和标准化适配器，解决了扩散模型与全模态大模型强化学习中高延迟和架构耦合的问题。
データと学習
すべてのトピック训练侧的门道：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。
最新の厳選
121〜140 件目 · 全 141 件vLLM 官方博客（网页）厳選AI スコア6161 vLLM 官方博客（网页）厳選AI スコア6969 vLLM 团队基于 GB300 NVL72 与 Mooncake 训练 Kimi K3 的 DSpark 投机草稿模型中国語
vLLM 团队通过 Speculators 训练库与 Mooncake 传输引擎，在 Verda 提供的 GB300 NVL72 机架上完成了 2.8T 参数 Kimi K3 模型的 DSpark 投机草稿模型训练与部署。
推薦理由：原文给出了基于 Mooncake 跨节点传输隐藏状态训练超大模型投机草稿模型的完整拓扑，读者可直接参考其多机训练与部署配置。
Google Developers · AI 筛选厳選AI スコア6767 Google 推出 autofinetune：在 TPU 上基于 Tunix 实现 LLM 自主后训练中国語
Google 推出开源项目 autofinetune，利用 Gemini Flash 3.7、Tunix 与 Cloud TPU 驱动 AI 智能体自主闭环完成大语言模型的监督微调（SFT）与 GRPO 强化学习后训练。
推薦理由：展示了如何通过规范配置让智能体在硬件集群上自主调优并验证变更，为模型后训练提供了可复用的自动化实践路径。
Google Developers · AI 筛选厳選AI スコア6363 Google 基于 MaxText 与 TPU 完整复现 Olmo 3 7B 预训练流程中国語
Google 团队使用基于 JAX 的 MaxText 框架与 Cloud TPU，从头完整复现了 Ai2 的 Olmo 3 7B 第一阶段约 5.9T token 预训练与第二阶段 mid-training 退火训练。
推薦理由：原文系统复盘了在 TPU 上复现 PyTorch 大模型预训练的工程细节与性能调优，读者可据此参考跨框架对齐与断点续训的验证方法。
Hugging Face厳選AI スコア7676 NVIDIA 开源表格基础模型 Kumo Tabular中国語
NVIDIA 正式开源表格基础模型 Kumo Tabular，支持在无需训练、微调或特征工程的前提下，通过单次前向传播直接完成表格数据的分类与回归预测。该模型包含 28M 到 215M 三种参数规模，完全基于结构因果模型生成的合成数据完成预训练，并在 TabArena、BeyondArena、TALENT 与 ScoringBench 四项基准测试中均位居榜首。
推薦理由：模型展示了完全依赖因果合成数据预训练表格大模型的可行路径，读者可以借此了解免微调与零特征工程在表格预测任务中的落地机制。
LangChain 官方博客厳選AI スコア7171 LangSmith 发布 Engine v2、托管 Deep Agents 及模型微调等功能中国語
LangSmith 推出多项针对智能体生命周期的功能更新，包括 LangSmith Engine v2、Managed Deep Agents v0.8、Trajectories 视图、Fine-Tuning 工作流以及 Custom Apps。
推薦理由：更新覆盖了智能体从红队演练、轨迹调试、模型微调到自定义界面的全周期工具链，便于工程团队缩短排障与定制周期。
Hugging Face厳選AI スコア7070 Hugging Face 展示基于 Storage Bucket 与代理的跨节点 LoRA 异步 GRPO 训练实践中国語
Hugging Face 在 TRL v1.14 中为 AsyncGRPOTrainer 增加了 LoRA 适配器同步支持，使训练节点与 vLLM 推理副本无需跨机 NCCL 即可跨节点独立运行。
推薦理由：原文展示了无需 NCCL 跨机通信的异步 GRPO 架构实现与调优细节，读者可据此排查强化学习训练与推理流水线的吞吐瓶颈。
Hugging Face厳選AI スコア6666 利用 TRL 进行 100 步 GRPO 微调提升 350M 模型结构化输出能力中国語
Hugging Face 发布实践指南，展示在免费 GPU 上使用 TRL 库对 LFM2.5-350M 模型进行 100 步 GRPO 微调，将其在 IFStruct 基准上的得分从 22.6% 提升至 29.7%。
推薦理由：教程展示了仅用百步轻量强化学习提升端侧模型格式遵循的可行路径，为低成本专用小模型调优提供了落地参考。
Data Center Knowledge厳選AI スコア6666 AWS 铺设 420 Tbps 跨太平洋海缆 Sta’O’Nuk 以支持大模型训练中国語
AWS 正在日本与美国华盛顿州之间铺设名为 Sta’O’Nuk 的跨太平洋海底光缆，设计容量达 420 Tbps 并采用 20 对光纤，计划于 2029 年投入使用。
推薦理由：AWS通过新建海缆直连核心算力枢纽，反映出云厂商为满足分布式大模型训练正将基建拓展至跨国骨干网络。
Hugging Face厳選AI スコア7878 Sentence Transformers 多向量嵌入模型训练与微调指南中国語
Sentence Transformers 推出 ColBERT 风格晚期交互的多向量嵌入模型（MultiVectorEncoder）训练与微调方案，支持直接定制垂直领域检索模型。
推薦理由：原文给出了晚期交互多向量模型的完整微调路径与消融实测，读者可以据此在单卡消费级算力下低成本定制高精度领域检索器。
AWS HPC厳選AI スコア6363 基于 AWS ParallelCluster 管理大规模大语言模型训练环境实战中国語
AWS 团队分享了在韩国国家 AI 研究项目中为多所科研机构提供 30 台 p5en.48xlarge 实例（240 张 H200 GPU）的管理实战经验。文章详细拆解了 AWS ParallelCluster 的 cluster-config.yaml 配置要点，包括 EFA 网络开启、基于内存的调度以及容量预留锁定。
推薦理由：原文给出了多团队共享 GPU 集群时的 ParallelCluster 与 Slurm QoS 详细配置，工程团队可直接借鉴多租户调度与防资源垄断策略。
MIT News · AI厳選AI スコア7070 MIT CSAIL 研究发现大模型生成图像常无法溯源至训练数据，版权归属面临归因衰减中国語
MIT CSAIL 研究团队在《Nature Communications》发表论文，发现生成式模型存在“归因衰减”现象，在大规模数据训练下生成的图像往往无法溯源至任何单一训练样本。
推薦理由：原文通过反事实消融实验揭示了归因衰减现象，为探讨大规模训练数据与生成内容侵权判定提供了可验证的技术依据。
Sebastian Raschka厳選AI スコア6969 大语言模型如何控制推理算力预算与思考模式中国語
Sebastian Raschka 撰文详解大语言模型中推理努力程度（Reasoning Effort）与思考开关的训练与推理机制。模型通常通过系统提示词结合特定长度惩罚的 RLVR、混合思考样本的 SFT 或不同预算专家蒸馏来实现多档推理控制。
推薦理由：文章横向拆解了前沿模型控制推理预算的后训练方案与推理开关，为开发者理解和设计灵活的推理计算机制提供了清晰参考。
The Next Platform厳選AI スコア7979 AI芯片驱动台积电约三分之一营收，美国亚利桑那州再追投1000亿美元扩建中国語
台积电在截至6月的季度创下402亿美元营收新高，净利润达223.7亿美元，机构测算其制造的AI训练与推理芯片贡献约133.1亿美元，占总营收约三分之一。台积电同时宣布在亚利桑那州追加1000亿美元投资增建四座聚焦2nm及以下制程的晶圆厂，使在美总投资升至2650亿美元，并将资本支出指引上调至600亿至640亿美元。
推薦理由：台积电财报数据与产能规划展现了AI芯片需求对代工产值的实际拉动，为判断硬件开支与供应链瓶颈提供了关键锚点。
Hugging Face厳選AI スコア6363 Photoroom 详解文生图模型 PRX 数据工程策略：从 VLM 重打标到流式训练中国語
Photoroom 详细公开了 7B 文生图模型 PRX 的预训练数据流水线，通过 Lance 进行海量样本检索与管理，并使用 Qwen3-VL-8B 为图片重新生成详细的长段落描述。
推薦理由：文章系统复盘了文生图模型预训练的数据工程全流程，为处理大规模图文重打标与流式存储提供了可落地的实操参考。
Google DeepMind厳選AI スコア7575 Google DeepMind 发布 Decoupled DiLoCo：跨远距离数据中心的弹性分布式 AI 训练架构中国語
Google DeepMind 提出全新分布式训练架构 Decoupled DiLoCo，通过异步数据流将大规模训练解耦到独立的算力单元中，实现跨全球数据中心的高容错与低通信开销训练。
推薦理由：原文给出了跨数据中心训练的异步解耦方案和实测数据，读者可以了解如何在低广域网带宽与异构硬件条件下维持高效预训练。
Google Research厳選AI スコア6262 Google Flood Hub 上线城市暴洪 AI 预测功能，可提前 24 小时预警中国語
Google 宣布在 Flood Hub 中推出城市暴洪（Urban Flash Flood）预测功能，利用 AI 技术可提前至多 24 小时预测城市暴洪风险。
推薦理由：Google 利用大模型从公开新闻中提取历史灾害真值，解决了物理传感器不足区域的暴洪预测难题。
Google Research厳選AI スコア6161 Google 推出 Groundsource 框架并开源 260 万条全球突发洪水数据集中国語
Google 推出 Groundsource 框架，利用 Gemini 将多语言新闻报道转化为结构化的自然灾害历史数据，并公开发布包含 150 多个国家、260 万条记录的城市突发洪水数据集。
推薦理由：该成果展示了利用大语言模型从全球多语言新闻中批量提取高精度时空历史数据的工程化路径。
Sebastian Raschka厳選AI スコア7575 从 DeepSeek V3 到 V3.2：架构、稀疏注意力与强化学习演进解析中国語
Sebastian Raschka 深入剖析了 DeepSeek 从 V3 到 V3.2 的技术演进，涵盖模型架构、稀疏注意力机制与强化学习优化。DeepSeek V3.2 引入了由 Lightning Indexer 驱动的 DeepSeek 稀疏注意力机制（DSA），将注意力计算复杂度从二次方降低至线性 O(Lk)。
推薦理由：梳理了稀疏注意力 DSA 与 GRPO 算法调优的技术演进脉络，有助于理解开源大模型在长上下文效率与强化学习稳定性上的工程实现细节。
SemiAnalysis · 算力产业厳選AI スコア7676 SemiAnalysis 解析亚马逊 AWS 与 Anthropic 的吉瓦级 Trainium 算力扩张中国語
SemiAnalysis 发布分析指出，AWS 正为其核心客户 Anthropic 建设超过 1.3GW 的数据中心 IT 负载容量并大规模部署自研 Trainium2 芯片，有望推动 AWS 增速重回 20% 以上。
推薦理由：文章从总体拥有成本与内存带宽维度拆解了 Anthropic 采购 Trainium2 的考量，展现出软硬件协同设计对大模型训练成本的深远影响。