1-flash。该方法利用了PyTorch初始化权重时使用的随机种子模式，该模式反映了GPU的核心数：B200/B300为148核，GB200/GB300为152核，而Hopper H100/H800为132核。DePue表示，他在真实的Blackwell芯片上复现了DeepSeek-V4-Flash和Kimi K3的结果，在GitHub上发布了验证代码，并且该方法正确识别了所有24个硬件已知的对照模型。
同一件事，精选收录的是《Forensic analysis links six Chinese frontier models to export-controlled NVIDIA Blackwell GPUs》
Jill Walker Rettberg将Jørn Lier Horst在AI辅助下创作的小说《Den siste saken》与同一系列的两本早期作品进行了比较，发现被AI标记的段落使用更多名词和形容词，代词和动词更少。她报告称，AI标记的部分依赖静态的环境描写和诸如嗡嗡声、寂静与沉闷空气之类的陈词滥调，而ChatGPT之前的小说则通过人物动作来传达环境。Horst表示他只将ChatGPT用于研究和句子层面的编辑，Rettberg则认为这种程度的使用仍然改变了文本本身。
Dyania Health的Synapsis AI临床推理引擎会读取患者病历中的每一条记录、报告和化验结果，将相隔数年的发现关联起来，标记出哪些患者需要关注以及原因，且每个信号都可追溯到来源。它运行在医疗系统自身防火墙内由NVIDIA加速的计算环境中，因此患者数据永远不会离开医院。克利夫兰诊所使用它审查了2005年至2021年间超过7,800名主动脉瓣置换患者的病历，并构建了一个预测模型，用于评估三年、五年和十年时瓣膜恶化和再干预风险。
TimeNet 挑战赛是一项在线黑客松，要求 2–4 人组队，以 TimeNet 格式接入时间序列数据集，并训练或微调 Temporal AI Model（如 OpenTSLM），用于预测、分类、异常检测或推理等任务。第一轮于 11 月 11 日启动，11 月 22 日太平洋标准时间晚上 11:59 截止，后续还有更多轮次。Nebius 每轮为每支队伍提供 100 美元或 500 美元代金券，获胜队伍将获得来自 AWS 和 Google Cloud 的奖金 credits，起价为 25,000 美元。
Kobi Mozgori抽样了25万个npm包，发现新包中锁定依赖版本大多为已被取代的整数x.0.0版本的比例，从2019年至2024年初的1%–2.4%基线，上升至2026年上半年的13.7%，并在2026年下半年至11月初降至7.6%。2021–2023年，锁定依赖在包创建时的中位年龄约为155天，而2026年第二季度为451天；创建时几乎所有锁定版本均为最新发布的包占比从约28%降至约10%。作者将该模式表述为推断而非证据，因为注册表元数据无法显示是谁或什么编写了清单，并指出2026年中期以来的下降尚无解释。
Cultivated Corpora 打造了一台“打字支付”自动售货机原型，它接受新写的人类散文而非金钱，用零食换取文本，这些文本被用作 AI 训练数据。该终端于 11 月 12 日至 17 日在 Downtown 6 区 51 街与 Lexington 大道的 Data Vandals Newsstand 进行演示。该公司表示，它正在填补 AI 公司需要比现有更多训练数据的空白。
Uber 已开源 Michelangelo，这是其机器学习平台，已在 Uber 规模下得到验证：400+ 活跃 ML 项目、每月 2 万+ 模型训练任务、5K+ 生产环境模型，峰值时每秒 4500 万+ 实时预测。此次发布涵盖特征管理、分布式模型训练、部署与监控，其中特征管理、评估和监控标注为即将推出。基于 Uniflow 构建的 Python API 让用户只需几行代码即可定义分布式训练任务和端到端工作流，例如基于 Ray 的 XGBoost 训练流水线。
AI Math Kit 是一个浏览器扩展弹窗，汇集了 217 个开放数学问题、242 篇关于 AI 与形式化数学突破的通俗摘要，以及用于诚实 AI 探索的提示模板。问题库涵盖数论、微积分和跨领域谜题，突破页面则包含精确的范围说明和论文指引。免费版提供浏览功能；Pro 版解锁完整解释和专用提示，偏好设置和支付状态缓存在本地。
Bright Machines 现在无需开放任何入站访问，即可为客户提供来自气隙隔离工厂的实时、受治理的工厂数据仪表盘。它在边缘侧用 Debezium 捕获 PostgreSQL 变更，将其写为 Apache Iceberg，通过一条可审计的出站路径推送出去，并在 Databricks 中通过 Unity Catalog 联合就地读取。首个客户可见的仪表盘在上线启动约两个月后投入使用，已提交的行可在一到两分钟内查询，仪表盘每十分钟刷新一次。
美国雇主为软件开发人员提交的H-1B申请量从2022财年到2026财年（比较10月至6月的数据）下降了36%，而带有AI职位名称的申请量上升，并在2026财年占所有认证申请的1.8%。新就业类软件申请量下降了46%，2026财年的降幅在2025年10月至12月最为陡峭，同比下降26%，此前白宫宣布对新H-1B申请征收10万美元费用。包含“machine learning”或“artificial intelligence”的职位名称上升了80%，而“AI engineer”等较短职位名称贡献了最新一年增量的92%；OpenAI和Anthropic在其402份认证申请中，只有11%包含AI或机器学习。
Unemployment Labs对已发布模型权重的取证分析发现，来自DeepSeek、Moonshot AI、MiniMax和蚂蚁集团的六个模型是在NVIDIA Blackwell硬件上初始化的，而同一批实验室的早期模型则与Hopper匹配。该方法从保留的权重中恢复每个模型的随机种子和线程布局，作者称这些匹配已在物理H100、B300和GB200芯片上复现。报告估计每次训练运行需要在两到三个月内使用大约500到3,000块Blackwell GPU，并指出这些证据无法确定芯片所在位置，也无法确定是否违反了出口管制。
推荐理由：该报告仅从已发布的模型权重中获取硬件证据，提供了一种可复现的方法来追踪是哪些GPU初始化了模型，而无需依赖泄露信息。
e-means 是一种新的 k-means 变体，它在每一轮遍历中通过小批量与指数移动平均持续更新质心，在将 100 亿条 DINO 嵌入聚类为约 1670 万个簇的任务上，仅用 2.5 个 epoch 就达到全批量 k-means 的测试损失，而后者需要 25 个 epoch。它保持相同的目标函数与凸最近质心几何结构，并通过拟合的缩放定律自动设定批量大小与更新速率。作者认为，更廉价的运行意味着可以尝试更多 k 值，而不是降低计算账单。
Mirendil宣布完成10亿美元A轮融资，由Kleiner Perkins和Clearlake Capital领投，Battery Ventures、Google、M13、Pear VC等参投，用于打造让科学家和工程师也能使用前沿AI研发的工具。该公司表示，一名研究人员借助智能体从零开始预训练了Mirendil-Base——一个具有竞争力的编程模型，耗时3.5个月，算力成本不到1000万美元，随后将其后训练为Fern，后者支持最多1000万token的上下文。Lor目前处于内测阶段，可让数百个智能体连续数天编写代码并运行实验，Mirendil称其每天都在Lor上运行。
微软研究院焦点版第98期重点介绍了AI进展使通用翻译更接近现实，以及一项新证明解决了高维几何中悬置31年的KLS猜想。本期还涵盖CompactionBench和APEC，它们将编码智能体的上下文压缩成本最多降低25.4%，执行时间缩短9.6%，以及Latent Core Tokenizer，它在104种语言上改进了分词。
Databricks 回应了对 LTAP 的四种常见误读。LTAP 是 Lakebase 架构，它让同一份受治理的运营数据副本同时服务于 Postgres 和分析，无需 CDC。文章认为 LTAP 不是复制：湖前端的各层是缓存，而不是一个拥有自己目录的第二个数据库。文章还表示，堆页面和 Parquet 是同一批行的两种无损编码，因此点查询和扫描各自读取对其而言快速的布局。
突破能源首席技术官Eric Toone在MIT能源倡议的Energizing@MIT会议上表示，全球经济脱碳将耗资约7.5万亿美元，约占全球GDP的5%，但人们不愿支付绿色溢价。突破能源风险投资公司已向约140家公司投入约30亿美元，其中包括Luxwall，其隔热窗在一栋商业建筑中实现了30%的节能。
AWS 展示了如何仅使用原生功能按 IAM 主体跟踪并限制 Amazon Bedrock 生成式 AI 支出：Bedrock 会在每次推理请求时自动记录 IAM 用户或角色，这些标签会成为成本分配标签，可在 Cost Explorer 或 CUR 2.0 导出中读取。一个限定于 Bedrock 并按某个身份或标签值筛选的 AWS Budget 可以附加预算操作，在超过阈值后应用 Deny IAM 策略，常见场景下无需应用代码。
IBM 发布了两款实验性预览模型 granite-4.1-3b-LLMON-preview 和 granite-4.1-8b-LLMON-preview，它们基于 Granite 4.1 基础检查点衍生，经过训练能够读取和生成 LLMON——一种 LLM 原生标记语言，用保留的特殊 token 分隔符来标记指令、数据和需求。在 OPI 基准上，这些模型比测试中表现最好的前沿模型多规避了 47% 的间接提示注入攻击，比最好的开源模型多规避了 95%，同时在标准基准上的表现与 Granite 4.1 Instruct 相当。此次发布包含一个 GitHub 工具包，提供无损的 JSON 到 LLMON 转换器，作者指出该预览版仅供探索，不适用于生产环境。
推荐理由：IBM 在 Granite 4.1 上训练出能读写 LLMON 标记的预览模型，通过显式的指令与数据分离，将 OPI 基准上的间接提示注入成功率压到接近零，同时保持通用能力。
一名谷歌研究员带领的48个AI智能体团队标记了墨西哥一处玛雅遗址，称其可能未登记在册，但考古学家指出，该遗址早在一年多以前就已在学术期刊上被记录。Pietro Miotti称这项工作是他个人的业余项目，未使用谷歌的计算资源或资源，并表示他在社交媒体上受到批评后，曾向墨西哥INAH核实，随后更新了自己的帖子以归功于更早的研究。包括Sarah Parcak和Ivan Šprajc在内的考古学家表示，发现一处遗址并不等同于发现它，并强调同行评审和现有研究仍然至关重要。
Newcomer与Bessemer Venture Partners发布了首届AI 100榜单，评选出最具前景的私营AI公司，Anthropic位列第一，其预期IPO将于下周进行，OpenAI排名第二。这100家公司的总估值约为3.5万亿美元，以研究人员为主体的模型公司仅占榜单的9%，却占总估值的55%。推理领域的Fireworks（第9）、Baseten（第12）、Fal（第16）和Modal（第20）也排名靠前，转型老将Stripe（第4）和Anduril（第7）同样在列。
Constellation 是美国最大的核电机组运营商，正在 Databricks 上构建一个受治理的企业数据平台，以便为业务提供统一的数据含义。该平台使用 Unity Catalog 实现数据血缘、细粒度访问和单一权限模型，并对关键的可复用实体采用 Data Vault 建模。早期用例包括使用 Databricks Genie 构建的核工程助手以及停堆计划。
Eclipse Aerospace 正在使用 Databricks PySpark 自定义数据源摄取近 20 年的专有飞行数据，超过 3TB，涵盖逾一百万飞行小时，且无需常开专用计算资源。这个由 Rust 支持的 Python 包在基准测试中的性能是基于 PyArrow 的类似纯 Python 数据源的两倍，几乎是不使用 Arrow 的原生 Python 实现的 20 倍。该 API 在 Apache Spark 4.0 中引入，并在 Databricks Runtime 15.4 LTS 中可用，取代了此前的 Lambda-to-Avro 管道。
根据GDC游戏节最新的年度行业调查，40%的游戏开发者表示他们在工作中使用生成式AI，高于2025年的36%。使用率最高的是免费游戏开发者（58%）和纯移动工作室（70%），研究和头脑风暴（73%）是首要用途。调查还发现，34%的受访者在过去两年中曾被裁员。
H6.ai 在客户现有 ERP 之上实现应付账款自动化，为每个客户使用专属的 Lakebase Postgres 数据库作为记录系统。由于发票数据持续变化，团队使用 Lakebase 的写时复制分支来冻结客户数据库快照，并在各自独立的短生命周期分支上运行每项回归测试，因此绝不会写入生产数据库。每次运行由确定性断言以及来自不同模型提供商的 AI 评审团共同评判。
Databricks 推出 Lakehouse//RT，这是一个实时分析引擎，可直接在湖仓数据上运行高并发工作负载，目前已进入测试阶段。该公司表示，它能在每秒 12,000 次查询下实现低于 100 毫秒的延迟，每次增加一个节点来扩容，并避免单独的 serving 层；客户 Aurasell、VisionHeight 和 nOps 报告称，从多集群设置、Apache Pinot 和 Apache Druid 迁移后，基础设施成本降低了 6 到 10 倍。
Epoch AI 估计，华为位于内蒙古的和林格尔数据中心约有 105,000 颗在运的昇腾 910C 和 8,000 颗昇腾 910B 芯片，大致相当于 81,000 颗 H100 等效算力（90% 置信区间：36,000 至 141,000）。该估算基于商业卫星影像和一个冷却设备模型，后者显示这四栋面向 AI 的楼宇 IT 电力容量最高可达 286 MW。这使得和林格尔的 AI 算力约为 SpaceX 位于田纳西州的 Colossus 2 的 7%；而一座规划中的楼宇到 2028 年初可将其容量提升逾 70%，但仍远落后于 Colossus 2 预计的 180 万颗 H100e。
据ChinaTalk调查，包括Mercor、Surge AI、AfterQuery和Turing在内的美国数据经纪商正向中国AI实验室出售价值约5亿美元的训练数据，其中部分为强化学习环境。报告指出至少涉及九家美国公司，并称中国实验室刻意购买已售予Anthropic或OpenAI的产品，以跳过昂贵的内部开发，考虑到中国的芯片内存瓶颈，这种节省尤为重要。ChinaTalk指出，强化学习环境基本不受出口管制约束，并主张工业与安全局应将现有管制适用于两用编码和生物环境，同时强调中国实验室仍落后美国同行至少数月。
Plurai 已完成 1300 万美元种子轮融资，由 Team8 领投，旨在借助从自动驾驶汽车借鉴的模拟技术让 AI 智能体更可靠。这家初创公司构建企业系统的数字孪生，梳理智能体可能的执行流程，并利用合成数据让模型为边缘情况做好准备，随后针对每位客户对小型开放权重模型进行后训练。与 Nvidia 和 Nebius 的测试显示，其模型以更低成本超越了中端前沿模型。
Google DeepMind 已发布 AlphaGenome 2，这是一个基因组学模型，可预测 DNA 变异如何影响特定的人类细胞类型，并发现的相关基因变化数量几乎是其前代模型的两倍。该模型基于来自人类和小鼠 68 种组织的超过 1.07 亿个单细胞图谱训练，将细胞的生物学状态作为额外输入，而不是一次性在多种组织上进行广泛预测。
Meta已签署一系列长期采购承诺，涵盖水泥、钢材、货运和再生塑料，旨在推动其数据中心供应链中的清洁制造实现商业化规模。这些交易包括从Sublime Systems采购至少18万吨低碳水泥、从瑞典Stegra采购近零排放钢材、与Nevoya扩大在加利福尼亚州和亚利桑那州I-10沿线的零排放货运路线，以及与MacroCycle Technologies每年采购5000吨再生PET。
MIT研究人员开发出一种训练技术，可提升AI气候模拟器的性能和适应性，同时仅需通常所需数据的一小部分。该方法生成带有快速排放变化的优化合成训练场景，使在远少得多的数据上训练的模拟器能够准确预测传统模拟器失败的未见场景。该研究发表于《美国国家科学院院刊》。
Hugging Face 发布了 TRELLIS.2 的微调脚本和容器，该模型是一个 3D 生成模型，可在本地或 Hugging Face Jobs 上运行。该指南通过 PEFT 库使用 LoRA 适配器，仅作用于稀疏结构流 DiT 和形状流 DiT，材质阶段保持冻结。在 GSO 数据集的 188 个物体鞋类子集上，预训练模型经常渲染出错误的鞋底，这正是 LoRA 微调所针对的问题。
在 Amazon SageMaker HyperPod 上运行的 PyTorch DDP 训练循环新增了三项检查，用于捕获静默数据损坏：非有限梯度检查、跨节点比较 loss 位与梯度指纹的环形重放审计，以及优化器步骤后的权重指纹比较。在 4 台 ml.p5.48xlarge 实例（32 块 NVIDIA H100 GPU）上通过软件注入故障进行测试，这些检查能指出可疑的 rank、将其映射到节点，并让 HyperPod 替换该节点并从检查点恢复。
AWS 将于 11 月 30 日至 12 月 4 日举办年度 re:Invent 大会，AI/ML 专场在超过 2,000 场学习会议中提供 140 多场独立会议。该指南将会议对应到 AWS AI 技术栈，涵盖 AI 芯片（AWS Trainium 和 NVIDIA GPU）、Amazon Bedrock 和 SageMaker AI 上的模型与推理，以及使用 Amazon Bedrock AgentCore 的智能体开发。会议从新手内容到技术深度解析进行组织，许多会议可点播观看。
Google DeepMind 发布了 AlphaGenome 2，这是一个条件序列到功能的 DNA 模型，读取 1 Mb 的 DNA 窗口加上目标细胞状态，并在每次调用中预测一种细胞类型的变异效应。在覆盖 28 种免疫细胞类型的 TenK10K 单细胞 eQTL 上，90% 精度下的因果变异召回率从微调 AlphaGenome 1 的 16% 升至 30%，效应方向召回率从 23% 升至 43%。该模型通过 AlphaGenome API 提供用于非商业研究，权重承诺在最终发表后开放，商业使用处于私密预览阶段。
Google Research 推出一个研究性框架，可将消费级可穿戴设备数据转化为可指导的健康年龄，并模拟个性化的 12 周“假设”健康轨迹。SensorWM 世界模型基于约 10 万名用户、共 228 万人周的匿名 Fitbit 数据进行预训练，可在不同步数、睡眠和有氧运动习惯下预测 20 项生理指标。在一项盲测研究中，生活方式教练在 71.4% 的评估中选择以反事实为依据的方案为整体最佳，医生评定 99.2% 的方案处于安全运动强度范围内；作者指出这些模型是研究原型，而非临床诊断工具。
Meta 详细介绍了 Intelligent Delivery，这是一个由机器学习驱动的系统，它在广告服务栈中分配算力，以趋向系统级最优，在 2017 年至 2026 年上半年间模型与系统进步的基础上，贡献了约 10% 的增量排序性能。其 Resource Core Model 使用 6B 稀疏参数和 20M 稠密参数来预测每个请求的边际效用，Meta 称其在离线基准测试中将高影响力广告请求的识别率提升了约 20%。该系统还依赖多层分配机制和日益智能体化的 AI，以适应模型和硬件的变化。
Google DeepMind 宣布推出 AlphaGenome 2，这是一款下一代 DNA 序列模型，可预测 DNA 序列及其变异如何影响特定的人类细胞类型。该条件模型基于 68 种组织中超过 1.07 亿个单细胞图谱训练，识别出的改变表达的变异数量几乎是上一模型的两倍；在 TenK10K 免疫细胞数据集上，它找回了 30% 的因果变异，而原始 AlphaGenome 在单细胞数据上微调后仅找回 16%。该模型可通过 AlphaGenome API 用于非商业研究，并以私有预览形式开放商业研究使用。
推荐理由：AlphaGenome 2 从批量组织平均值转向单细胞条件化，在免疫细胞数据上将因果变异召回率大约翻倍，这对于将 GWAS 信号与特定细胞类型关联起来具有重要意义。
Google DeepMind 发布了 AlphaGenome 2，这是去年 AlphaGenome 的继任者，可预测遗传变异如何影响单个细胞类型和状态，而非广泛的组织平均值。该模型基于 68 种组织中超过 1 亿个单细胞图谱训练，识别出的可改变基因表达的变异数量几乎是此前最先进模型的两倍，并且无需重新训练即可对新的细胞类型和生物学状态做出预测。Google 从今天起通过 AlphaGenome API 将其开放用于非商业研究，商业用途则提供有限的私密预览；DeepMind 的 Žiga Avsec 表示，其更精细的预测计算成本更高，因此不会很快取代 AlphaGenome。
包括Mercor、Surge AI、Turing、AfterQuery和Pareto在内的美国数据供应商正在向中国AI实验室出售强化学习环境，报告指出了九家与中国有业务往来的供应商。报告认为，这些交易让中国实验室得以跳过昂贵的 rollout 实验，并节省受内存限制的算力，同时指出这些交易基本不在出口管制范围内，而且落后于美国实验室的差距限制了损害。