Dyania Health 的 Synapsis AI 臨床推理引擎會閱讀病患病歷中的每一則紀錄、報告與檢驗結果，將相隔數年的發現相互連結，標示出哪些病患需要關注及其原因，且每一項訊號都可追溯至來源。它在醫療體系自身的防火牆內、於 NVIDIA 加速運算上運行，因此病患資料從不離開醫院。Cleveland Clinic 用它檢視 2005 至 2021 年間超過 7,800 名主動脈瓣置換病患的病歷，並建立瓣膜惡化與三年、五年及十年再介入風險的預測模型。
Bright Machines 現在能讓客戶取得來自氣隙隔離工廠的即時、受治理的工廠資料儀表板，且無需開放任何 inbound 存取。它在邊緣端以 Debezium 擷取 PostgreSQL 變更，寫入為 Apache Iceberg，透過單一可稽核的 outbound 路徑推送出去，並在 Databricks 中透過 Unity Catalog federation 就地讀取。第一個客戶可見的儀表板在啟動後約兩個月上線，已提交的資料列可在一到兩分鐘內查詢，儀表板每十分鐘重新整理。
Microsoft Research Focus Edition #98 重點介紹了讓通用翻譯更接近現實的 AI 進展，以及一項解決高維幾何中懸而未決 31 年的 KLS 猜想的新證明。本期還涵蓋 CompactionBench 與 APEC，它們將編碼代理的上下文壓縮成本降低多達 25.4%，執行時間縮短 9.6%，以及 Latent Core Tokenizer，它在 104 種語言上改進了分詞。
Databricks 回應了對 LTAP 的四種常見誤讀；LTAP 是 Lakebase 架構，讓營運資料只保留一份受治理的副本，同時服務 Postgres 與分析，且無需 CDC。文章主張 LTAP 並非複製：湖泊前方的各層是快取，不是擁有自己目錄的第二個資料庫。文章也指出，heap 頁面與 Parquet 是同一批資料列的兩種無損編碼，因此點查詢與掃描各自讀取對其而言快速的佈局。
AWS 展示如何僅使用原生功能，按 IAM 主體追蹤並限制 Amazon Bedrock 生成式 AI 支出：Bedrock 會自動在每次推論請求中記錄 IAM 使用者或角色，這些標籤會成為成本分配標籤，可在 Cost Explorer 或 CUR 2.0 匯出中讀取。範圍設為 Bedrock 並篩選至單一身份或標籤值的 AWS Budget 可以附加預算動作，在超過閾值後套用 Deny IAM 政策，常見情況下無需應用程式碼。
IBM 發布了兩個實驗性預覽模型 granite-4.1-3b-LLMON-preview 與 granite-4.1-8b-LLMON-preview，它們衍生自 Granite 4.1 基礎檢查點，並經過訓練以讀取與生成 LLMON——一種 LLM 原生標記語言，以保留的特殊 token 定界符標示指令、資料與需求。在 OPI 基準上，這些模型比測試中最佳的前沿模型多避開 47% 的間接提示注入攻擊，比最佳的開源模型多避開 95%，同時在標準基準上的表現與 Granite 4.1 Instruct 相當。此次發布包含一個 GitHub 工具包，內含無損的 JSON 轉 LLMON 轉換器，作者指出此預覽版僅供探索，並非用於生產環境。
推薦理由：IBM 在 Granite 4.1 上訓練出能讀寫 LLMON 標記的預覽模型，透過顯式分離指令與資料，將 OPI 基準上的間接提示注入成功率壓到接近零，同時保持通用能力。
Constellation 是美國最大的核電機組營運商，正在 Databricks 上建置受治理的企業資料平台，讓業務對其資料有一致的共同定義。該平台使用 Unity Catalog 來處理血緣、精細存取與單一權限模型，並對關鍵可重用實體採用 Data Vault 建模。早期使用案例包括以 Databricks Genie 打造的核能工程助理，以及停機規劃。
Eclipse Aerospace 正使用 Databricks PySpark 自訂資料來源，擷取近 20 年的專有飛行資料，總量超過 3TB、涵蓋逾一百萬飛行小時，且無需常時開啟的專用運算資源。這個以 Rust 為後端的 Python 套件，在基準測試中的效能是類似的純 Python PyArrow 資料來源的兩倍，也幾乎是未使用 Arrow 的原生 Python 實作的 20 倍。此 API 於 Apache Spark 4.0 推出，並可在 Databricks Runtime 15.4 LTS 中使用，取代了先前的 Lambda-to-Avro 管線。
H6.ai 在客戶既有的 ERP 之上自動化應付帳款，並為每位客戶使用專屬的 Lakebase Postgres 資料庫作為系統記錄。由於發票資料不斷變動，團隊使用 Lakebase 的寫時複製分支（copy-on-write branches）凍結客戶資料庫的快照，並在各自短命的的分支上執行每項回歸測試，因此正式資料庫永遠不會被寫入。每次執行皆以確定性斷言，加上由不同模型供應商組成的 AI 評審團來評判。
Databricks 推出 Lakehouse//RT，這是一款即時分析引擎，可直接在 lakehouse 資料上執行高併發工作負載，現已開放測試版。該公司表示，它能在每秒 12,000 次查詢下提供低於 100 毫秒的延遲，每次增加一個節點來擴充容量，並避免額外的服務層；客戶 Aurasell、VisionHeight 和 nOps 表示，從多叢集架構、Apache Pinot 和 Apache Druid 遷移後，基礎設施成本降低了 6 到 10 倍。
Meta 已簽署一系列涵蓋水泥、鋼鐵、貨運與再生塑膠的長期採購承諾，以在其資料中心供應鏈中將清潔製造推向商業規模。這些交易包括向 Sublime Systems 採購至少 180,000 噸低碳水泥、向總部位於瑞典的 Stegra 採購近零排放鋼鐵、與 Nevoya 在加州和亞利桑那州沿 I-10 公路擴大零排放貨運路線，以及與 MacroCycle Technologies 每年採購 5,000 噸再生 PET。
Hugging Face 發布了 3D 生成模型 TRELLIS.2 的微調腳本與容器，可在本機或 Hugging Face Jobs 上執行。該指南透過 PEFT 函式庫使用 LoRA 適配器，僅套用於稀疏結構流 DiT 與形狀流 DiT，材質階段則保持凍結。在 GSO 資料集的 188 個物件鞋類子集上，預訓練模型經常渲染出錯誤的鞋底，而 LoRA 微調正是針對此問題。
在 Amazon SageMaker HyperPod 上執行的 PyTorch DDP 訓練迴圈新增了三項檢查來捕捉無聲資料損毀：非有限梯度檢查、環狀重播稽核（比對各節點的損失位元與梯度指紋），以及最佳化器步驟後的權重指紋比對。在 4 台 ml.p5.48xlarge 執行個體（32 張 NVIDIA H100 GPU）上以軟體注入故障測試，這些檢查能指出可疑的 rank、將其對應到節點，並讓 HyperPod 更換該節點並從檢查點繼續執行。
AWS 將於 11 月 30 日至 12 月 4 日舉行年度 re:Invent 大會，AI/ML 軌道在超過 2,000 場總學習議程中提供逾 140 場獨特議程。該指南將議程對應至 AWS AI 堆疊，涵蓋 AI 晶片（AWS Trainium 與 NVIDIA GPU）、Amazon Bedrock 與 SageMaker AI 上的模型與推論，以及使用 Amazon Bedrock AgentCore 的代理程式開發。議程從新手內容編排至技術深入探討，且許多可隨選觀看。
Google Research 提出一套研究性框架，可將消費級穿戴式裝置資料轉化為可據以指導的健康年齡，並模擬個人化的 12 週「假設情境」健康軌跡。SensorWM 世界模型以約 10 萬名使用者、共 228 萬人週的去識別化 Fitbit 資料進行預訓練，能在不同的步數、睡眠與有氧作息下預測 20 項生理指標。在一項盲測研究中，生活型態教練在 71.4% 的評估中選擇以反事實為依據的計畫為整體最佳，醫師則評定 99.2% 的計畫落在安全運動強度範圍內；作者指出這些模型屬於研究原型，並非臨床診斷工具。
Meta 詳細介紹了「智慧投遞」（Intelligent Delivery），這是一套由機器學習驅動的系統，會在其廣告投放堆疊中分配運算資源，以達到整體系統的最佳化，並在 2017 年至 2026 年上半年期間，於模型與系統進展的基礎上額外貢獻約 10% 的排序效能提升。其資源核心模型（Resource Core Model）使用 60 億稀疏參數與 2,000 萬稠密參數來預測每個請求的邊際效用，Meta 表示，在離線基準測試中，該系統將高影響力廣告請求的識別能力提升了約 20%。該系統也依賴多層次分配機制與日益具備代理能力的 AI，以隨著模型與硬體變化進行調適。
Google DeepMind 宣布推出 AlphaGenome 2，這是一款新一代 DNA 序列模型，可預測 DNA 序列及其變異如何影響特定的人類細胞類型。該條件模型基於 68 種組織中超過 1.07 億個單細胞圖譜訓練，識別出的改變表現的變異數量幾乎是前代模型的兩倍；在 TenK10K 免疫細胞資料集上，它找回了 30% 的因果變異，而原始 AlphaGenome 在單細胞資料上微調後僅找回 16%。該模型可透過 AlphaGenome API 供非商業研究使用，商業研究則可透過私人預覽取得。
推薦理由：AlphaGenome 2 從大量組織平均值轉向單細胞條件化，在免疫細胞資料上將因果變異召回率大致提高了一倍，這對於將 GWAS 訊號連結到特定細胞類型具有重要意義。
Hugging Face 展示 pooling-aware 訓練如何在固定儲存預算下提升多向量嵌入模型的檢索品質。當 pool_factor=4 時，一般訓練的模型保留其未池化 NanoBEIR nDCG@10 的 94.6%，同時將文件向量減少 4 倍，而 pooling-aware 訓練則將該保留率提升至 97.8%。文章逐步說明 HierarchicalTokenPooling、預算校準，以及一個可重現的 Sentence Transformers 範例。
inclusionAI 發布了 ZoomGain-9B 與 ZoomGain-4B 視覺語言模型檢查點，同時推出 ZoomGainBench 評估基準與 ZoomGain RL 訓練資料。ZoomGain 透過挖掘從全局到縮放的感知落差來建構細粒度視覺監督，而 ZoomGain-9B 在多項細粒度與通用感知基準上達到更優異的表現。ZoomGainBench 包含 941 張影像上的 1,000 道問題，而 RL 資料集則有 9,000 筆訓練紀錄與 7,713 張來源影像。
inclusionAI 發布了 arXiv 論文、ZoomGainBench 評估基準、RL 訓練資料集，以及 ZoomGain-4B/ZoomGain-9B 模型檢查點。28 個模型中最佳者在 ZoomGainBench 上得分 61.08，而 ZoomGain-9B 在多個細粒度與通用感知基準上達到更優表現。ZoomGain 挖掘從全局到縮放的感知落差，為視覺語言模型建立細粒度視覺監督。
微軟研究人員描述了 Lazarus，這是一種後門技術，可重新程式化 LLM 中不到 10 個休眠神經元，使建構於其上的代理在出現隱藏觸發條件時發出攻擊者指令，且無需重新訓練。修改後的模型仍能通過標準評估，並在觸發前表現正常，觸發條件可以簡單到只是日期變更，隨後代理便以其被賦予的任何權限執行下載的程式碼。作者表示，偵測需要與原始權重進行差異比對，而 Microsoft Foundry 已將開放權重模型與其發行商綁定並掃描其容器，同時紅隊測試框架、基於代理的權重掃描以及具備防篡改來源證明的簽署模型正在開發中。
推薦理由：微軟研究人員展示，重新程式化不到 10 個休眠神經元即可在無需重新訓練的情況下對 LLM 代理植入後門，這使得權重來源與完整性成為實際的安全需求。
Amazon 推出 Mitra-v2，這是第二代用於分類與迴歸的表格基礎模型，隨附微調後的模型以及推論與微調程式碼，以 Apache-2.0 授權在 Hugging Face 上發布。它是在合成表格上預訓練的，列數是 Mitra-v1 的 10 倍、欄數約為 3 倍，採用新的混合 SCM 先驗與混合優化器，同時保持 Transformer 架構不變。在涵蓋 51 個真實世界資料集的公開基準 TabArena 上，Mitra-v2 在單一模型領域領先，在兩者皆原生執行的 33 個資料集中有 32 個勝過 Mitra-v1，並在一小時預算內完成全部 51 個資料集；微調後的 Mitra-v2 也在 ScoringBench 上排名第一。
推薦理由：Mitra-v2 顯示，擴大合成預訓練資料而非加深網路，能將表格基礎模型推上 TabArena 單一模型領域的頂端。
Apple 研究人員與哈佛合作者提出加權狀態湯（weighted state souping），此方法學習依查詢而定的權重，用以重新組合快取的 SSM 狀態編碼，在單跳與多跳文件問答、大海撈針檢索、變數追蹤與工具使用上提升長上下文表現。一種稀疏變體在編碼成本相對於上下文長度幾乎恆定的情況下，仍維持、有時甚至提升表現。該論文獲 NeurIPS 2026 的 PALM workshop 接受。
一項 Apple 與哈佛的研究顯示，狀態空間模型（SSM）中的門控機制會使其先學到一種權重內的「記憶」解法，延遲甚至阻止其收斂到正確的上下文學習。即使架構與記憶容量並未施加任何根本限制，此現象依然發生。然而，門控往往能改善對長序列長度的泛化能力。
Apple 研究人員測試 LLM 評審在評估生成文本是否符合使用者偏好寫作風格方面的表現，使用四種 LLM 針對三項長篇寫作任務生成文本，並將評審標註與人類成對標籤進行比較。評審品質與 LLM 在 MMLU 上的通用能力僅呈弱相關（Pearson's ρ ≤ 0.2），且隨寫作任務與評估標準而異，成對比較比獨立評分更具一致性。最強的 LLM 並未最可靠地重現人類評估，可能是因為對細微細節的敏感度被誇大。
Google 推出了 Language Explorer，這是一個互動式網路平台，讓研究人員、教育工作者和語言愛好者能夠探索並視覺化數千種語言的多樣性。此平台是 Google 的 1,000 Languages Initiative 的一部分，並以開源的 LinguaMeta 資料集為基礎，本週在柏林通訊博物館開幕的新展覽中亮相。Google 翻譯現在支援近 250 種語言，而 Gboard 則涵蓋 900 多種語言變體。
Goodfire Research 發表一項研究，主張 Qwen3.6-35B-A3B 中的個別 MLP 神經元比一般假設更具可解釋性，其依據來自稀疏化、歸因工具與研究代理。每次前向傳播中消融最弱的 92.2% MoE 神經元活化，語言模型損失僅上升 2.9%，且 69% 的神經元極點有單一模式對其因果效應貢獻至少 90%。自然語言的神經元描述讓評審模型在對抗隨機文本時以 95% 準確率預測激發，並透過模擬恢復 73% 的消融損害。
推薦理由：Goodfire 對 Qwen3.6-35B-A3B 神經元的研究主張，僅靠強活化就承載了模型的大部分計算，為特徵字典可解釋性提供了一個具體的替代方案。
Elith 與 NVIDIA 發布 Nemotron-Personas-Finance-Japan，這是一個以政府官方統計資料為基礎、針對日本金融業打造的開放合成人物資料集。它包含 50 個領域、約 15 億個 token 的 900 萬個人物（100 萬筆記錄 × 9 個人物），以 NeMo SDG-PGMs 與 NeMo Data Designer 生成，並以 CC BY 4.0 授權提供商業使用。
ZoomGain 利用只有放大後才會清晰的視覺細節，針對整張影像建構問題，並將這種全域到縮放的感知落差作為視覺語言模型的監督訊號。本次發布包含 arXiv 論文、ZoomGainBench 基準（1,000 道問題，涵蓋 941 張影像，涉及屬性辨識、計數與 OCR）、涵蓋 7,713 張來源影像的 9,000 筆 RL 訓練紀錄，以及 ZoomGain-4B 與 ZoomGain-9B 檢查點。28 個模型中最佳者在 ZoomGainBench 上得分 61.08，而 ZoomGain-9B 在多項細粒度與通用感知基準上達到更優異的表現。
Preferred Networks 的 AI 寫作指導系統 Ronjiro 榮獲第 23 屆日本 e-Learning 大賞 AI 特別獎（學習支援）。Ronjiro 運用包含 PFN 自主研發的 PLaMo 基礎模型在內的生成式 AI，支援高中生的作文與寫作學習，最快可在一分鐘內針對邏輯結構與改進重點提供回饋。本系統自 2026 年 3 月起，透過與 Yarakis Switch 集團合資成立的 YP Switch 提供，目前已在全國部分 School IE 課堂中導入。
Ai2 發布 ToyBlocks，這是一個圍繞機械手臂與桌面積木構建的開放模擬框架，是其 FoundationWorlds 系列中用於受控機器人學習與評估的首個成果。該框架在 Isaac Lab 中透過強化學習與運動規劃自動生成技能與示範，在單一 GPU 上可達最高 24 倍即時速度，並隨附 85,336 條長時程示範，涵蓋近 1,600 小時與 1.44 億幀。在其實驗中，ManiFlow 的原子技能成功率在模擬中為 80.0%，在真實 Franka FR3 上為 81.1%；而 Molmo 2 加 ManiFlow 系統在模擬與真實世界回合中的成功率分別為 55.5% 與 50.0%。
NVIDIA Research 與 Inferact 的 REINFORCE Zero 論文顯示，對齊 rollout 與訓練器的核心，可讓未裁剪的 token 級重要性取樣修正剩餘的權重延遲，在策略延遲 64 下穩定訓練 20,000 次更新，並在核心對齊時達到同步訓練 2.40 倍的訓練步吞吐量。使用標準核心時，rollout 到學習器的 KL 中位數在整個訓練過程中上升 83.33 倍，線上 AIME24 pass@1 從 34.27% 降至 13.96%，而序列閘門雖能穩定訓練，但在最後 1,000 次更新時會拒絕 24.48% 的序列。零不匹配設定現已涵蓋 DeepSeek-V4.1-Flash、發布當日的 Kimi K3.1，以及在 AMD MI355X 上的 DeepSeek-V4-Flash 與 Kimi K3.1，程式碼位於 Inferact/zero-mismatch-rl 與 NVIDIA-NeMo/labs-molt。
推薦理由：NVIDIA Research 與 Inferact 將非同步 RL 的 rollout 與學習器差距拆分為權重延遲與核心不匹配，顯示對齊核心可讓未裁剪的重要性取樣在策略延遲 64 下維持穩定訓練。
VeRL-Omni v0.3.0 已發布，帶來非同步與解耦的 RL 執行路徑、以 V1 trainer 作為預設，並擴展了涵蓋圖像、影片、音訊與多模態理解的後訓練範圍。此版本新增全非同步的 Qwen3-Omni 文字與音訊訓練、搭配 replay buffer 的 separate-async Omni 與擴散訓練，以及包括 MiniMax H3 搭配 DiffusionNFT 與 MiniCPM-o 4.5 GSPO 的新配方。在 4×H800 80 GB 上進行的 MiniCPM-o 4.5 AVQA 實驗中，separate-async 3+1 在自然回應長度下每個 prompt 比 colocated 4+0 慢約 9%，在 512 tokens 時大致持平，在 1024 tokens 時則快約 6.7%。
Anthropic 概述了它如何為 Claude 代理設計記憶，將代理記憶定義為跨工作階段保留的知識，並將其與權重變更、上下文學習和壓縮區分開來。5 將其與記憶配對。7 在 225 個資料夾中寫入了 413 個檔案，並獲得了一枚徽章。
推薦理由：Anthropic 詳細說明了 Claude 的代理記憶如何運作，比較了模型在 CL-Bench 和 Pokémon Red 上的筆記記錄，並展示了離線做夢如何修正和組織儲存的筆記。
Amazon 資深應用科學家 Hamed Karimi 與共同作者 Julie Nutini 和 Mark Schmidt 憑藉其 2016 年關於 Polyak–Łojasiewicz 條件下梯度與近端梯度方法線性收斂性的論文，榮獲 2026 年 ECML PKDD 時間考驗獎。該論文證明，即使模型缺乏單一最佳解，這個 1963 年的不等式也能保證線性收斂，統一了零散的優化結果，並將其擴展到非平滑景觀以及坐標、符號和隨機梯度下降等演算法。該論文已被引用超過 2,000 次，並收錄於研究所教科書中。
ASpec 是一個用於推測解碼草稿模型的高吞吐量訓練框架，基於 TorchSpec 程式碼庫建構，具備優化注意力、融合核心以及選擇性 head/loss 計算。在 Qwen3-8B 4K 執行中，僅草稿訓練在單一 GPU 上達到 15,256.44 輸入 token/秒，為 TorchSpec 的 1.96 倍，而 8-GPU 線上穩定視窗則達到 77,721.37 token/秒，為 TorchSpec 的 2.28 倍。它支援 DSpark、DFlash、EAGLE3/4 與原生 MTP 草稿，並提供 Qwen3-8B 與 Ling tiny 快速入門。
Apple 研究人員在 ICML 2026 發表了「Amortizing Maximum Inner Product Search with Learned Support Functions」，透過離線訓練小型神經網路，將查詢更快地導向最匹配的鍵。SupportNet 透過輸入凸神經網路（ICNNs）學習支撐函數，以改善叢集路由；KeyNet 則直接輸出最匹配的鍵向量，並藉由歐拉定理得出的一致性損失，使其在幾何上保持有據。兩者皆在實際查詢分布上訓練，以預先攤提的成本換取推論時更快、更準確的檢索。
Google Research 推出 Agile Deliberation，這是一套框架，將主觀 AI 分類器的建立轉化為反覆對話，由 AI 協助使用者釐清自己的定義。它將任務拆分為概念範疇界定與概念迭代，運用視覺語言模型找出邊界案例影像，並將回饋導入自動提示優化迴圈。在 18 場各 1.5 小時的實際使用者工作坊中，此方法減輕了使用者的疲勞與焦慮，並產出更一致的模型，表現優於標準基準；程式碼已在 GitHub 開源。
Anthropic 使用隱私保護分類器，分析了 2026 年 8 月 2 日至 9 月 30 日期間的 207,049 個 Claude 與 Claude Code 研究會話，發現科學家最常將 Claude 用於資料分析與寫作，最少用於資料蒐集與構思。資料分析佔 Claude 會話的 33.7%、Claude Code 會話的 48.1%，而研究人員投入的時間佔 27.6%；構思則佔會話的 4.2% 與 2.1%，研究人員投入的時間佔 7.1%。報告估計，廣泛採用現有能力可能使某些領域的研究產出大致翻倍，而完全自動化非實體工作可能使電腦科學與統計學等領域提升多達 15 倍。
Goodfire Research 提出機制塑造（mechanistic shaping），這是一套框架，在訓練期間對模型的內部概念方向施加懲罰，讓模型學會依賴或表達特定概念，而不只是最大化任務獎勵。在胸部X光實驗中，一個 LLM 代理使用稀疏自編碼器特徵來找出管狀的捷徑方向，而依賴塑造的表現優於標準訓練與平衡資料基線。