1-flash。該方法利用PyTorch初始化權重時使用的隨機種子模式，該模式反映GPU的核心數：B200/B300為148核，GB200/GB300為152核，而Hopper H100/H800為132核。DePue表示，他在真實Blackwell晶片上重現了DeepSeek-V4-Flash和Kimi K3的結果，在GitHub上發布了驗證程式碼，且該方法正確識別了全部24個硬體已知的對照模型。
同一件事，精選收錄的是《Forensic analysis links six Chinese frontier models to export-controlled NVIDIA Blackwell GPUs》
Jill Walker Rettberg 將 Jørn Lier Horst 在 AI 協助下完成的小說《Den siste saken》與同系列較早的兩本書進行比較，發現被 AI 標記的段落使用更多名詞與形容詞，代名詞與動詞則較少。她指出，被 AI 標記的段落偏重靜態的場景描述，以及諸如嗡嗡作響、寂靜與沉重空氣之類的陳腔濫調，而 ChatGPT 問世前的小說則是透過角色動作來傳達場景。Horst 表示他僅將 ChatGPT 用於研究和句子層級的編輯，Rettberg 則主張，這樣的使用程度仍會改變文本本身。
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。
TimeNet Challenge 是一場線上黑客松，要求 2–4 人組隊，以 TimeNet 格式導入時間序列資料集，並訓練或微調 Temporal AI Model（如 OpenTSLM），用於預測、分類、異常偵測或推理等任務。第一輪於 11 月 11 日啟動，11 月 22 日太平洋標準時間晚上 11:59 截止，後續還有更多輪次。Nebius 每輪為每隊提供 100 美元或 500 美元代金券，獲勝隊伍可獲得 AWS 和 Google Cloud 提供、起價 25,000 美元的獎金抵用額度。
Kobi Mozgori抽樣25萬個npm套件後發現，新套件中鎖定的依賴版本多為已被取代的整數x.0.0版本的比例，從2019年至2024年初的1–2.4%基準，上升至2026年上半年的13.7%，並在2026年下半年至11月初降至7.6%。2021–2023年期間，鎖定依賴版本在套件誕生時的中位數年齡約為155天，但2026年第二季度為451天；而誕生時幾乎所有鎖定版本都指向最新發行版的套件比例，從約28%降至約10%。作者將此模式視為推論而非證明，因為註冊表元數據無法顯示是誰或什麼撰寫了清單，並指出2026年中期以來的下降尚未得到解釋。
Cultivated Corpora 打造了一台「打字付款」自動販賣機原型，接受現場撰寫的人類散文而非金錢，以文字換取零食，這些文字將用作 AI 訓練資料。該終端機於 11 月 12 日至 17 日在 Downtown 6 的 51st 與 Lexington 路口 Data Vandals Newsstand 展示。該公司表示，此舉是在填補 AI 公司需要比現有更多訓練資料的缺口。
Uber 已開源 Michelangelo，這是其 ML 平台，已在 Uber 規模下獲得驗證，擁有 400+ 個活躍 ML 專案、每月 20K+ 個模型訓練任務、5K+ 個模型投入生產，峰值時每秒 45M+ 次即時預測。此次發布涵蓋特徵管理、分散式模型訓練、部署與監控，其中特徵管理、評估與監控標記為即將推出。基於 Uniflow 構建的 Python API 讓使用者只需幾行程式碼即可定義分散式訓練任務與端到端工作流程，例如基於 Ray 的 XGBoost 訓練管道。
AI Math Kit 是一個瀏覽器擴充功能的彈出視窗，內含 217 個開放數學問題、242 篇以平實語言撰寫的 AI 與形式數學突破摘要，以及用於誠實 AI 探索的提示範本。題庫涵蓋數論、微積分與跨領域謎題，突破頁面則附有精確的範圍說明與論文指引。免費方案提供瀏覽功能；Pro 解鎖完整解說與專屬提示，偏好設定與付款狀態則快取於本機。
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。
美國僱主的 H-1B 申請中，軟體開發者從 2022 財年到 2026 財年（比較 10 月至 6 月）下降 36%，而帶有 AI 職稱的申請增加，並在 2026 財年占所有認證申請的 1.8%。新僱用軟體申請下降 46%，2026 財年的降幅在 2025 年 10 月至 12 月最為陡峭，同比下降 26%，此前白宮宣布對新的 H-1B 申請收取 10 萬美元費用。包含「machine learning」或「artificial intelligence」的職稱增加 80%，而「AI engineer」等較短職稱貢獻了最近一年增長的 92%；OpenAI 和 Anthropic 在其 402 份認證申請中，只有 11% 包含 AI 或 machine learning。
Unemployment Labs 對已發布模型權重的取證分析發現，來自 DeepSeek、Moonshot AI、MiniMax 和螞蟻集團的六個模型是在 NVIDIA Blackwell 硬體上初始化，而同一批實驗室較早的模型則與 Hopper 相符。該方法從保留的權重中還原每個模型的隨機種子和執行緒佈局，作者表示這些匹配已在實體 H100、B300 和 GB200 晶片上重現。報告估計每次訓練運行在兩到三個月內需要大約 500 到 3,000 塊 Blackwell GPU，並指出這些證據並未確定晶片所在位置，也未確定是否違反了出口管制。
推薦理由：該報告僅從已發布的模型權重中得出硬體證據，提供了一種可重現的方法，無需依賴洩露即可追蹤是哪種 GPU 初始化了模型。
e-means 是一種新的 k-means 變體，它在每次遍歷中使用小批次和指數移動平均持續更新質心，在將 100 億個 DINO 嵌入聚類為約 1670 萬個簇時，僅需 2.5 個 epoch 即可達到全批次 k-means 的測試損失，而非 25 個 epoch。它保持相同的目標函數和凸最近質心幾何結構，並通過擬合縮放定律自動設定批次大小和更新率。作者認為，更便宜的運行意味著嘗試更多 k 值，而不是降低計算成本。
Mirendil 宣布完成 10 億美元 A 輪融資，由 Kleiner Perkins 和 Clearlake Capital 領投，Battery Ventures、Google、M13、Pear VC 等參與投資，用於打造讓科學家和工程師能夠使用前沿 AI 研發的工具。該公司表示，一名研究人員藉助代理，在不到 1000 萬美元的算力下，用 3.5 個月從零開始預訓練了 Mirendil-Base 這一具有競爭力的編碼模型，隨後將其後訓練為 Fern，後者最多可容納 1000 萬個 token 的上下文。Lor 目前處於內測階段，可讓數百個代理連續數天編寫程式碼並執行實驗，Mirendil 表示其每天都運行在 Lor 上。
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。
Breakthrough Energy 技術長 Eric Toone 在麻省理工學院能源計畫的 Energizing@MIT 會議上表示，全球經濟脫碳將耗資約 7.5 兆美元，約占全球 GDP 的 5%，但人們不願支付綠色溢價。Breakthrough Energy Ventures 已向約 140 家公司投入約 30 億美元，其中包括 Luxwall，其隔熱窗在一棟商業建築中實現了 30% 的節能。
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。
一名 Google 研究員的 48 個 AI 代理團隊標記了墨西哥一處馬雅遺址，稱其可能未經登記，但考古學家指出，該遺址早在一年多前就已在學術期刊上被記錄。Pietro Miotti 將這項工作描述為個人副業，未使用 Google 的算力或資源，他表示曾向墨西哥的 INAH 查證，並在社群媒體上受到批評後更新了他的貼文，將功勞歸於較早的研究。包括 Sarah Parcak 和 Ivan Šprajc 在內的考古學家表示，發現一處遺址並不等同於發現它，並強調同儕審查和現有研究仍然至關重要。
Newcomer 與 Bessemer Venture Partners 發布首屆 AI 100 榜單，評選出最具前景的 100 家私人 AI 公司，其中 Anthropic 位居第一，領先於其預計下週進行的 IPO，OpenAI 排名第二。這 100 家公司合計估值約 3.5 兆美元，而以研究人員為主的模型公司僅占榜單的 9%，卻占該估值的 55%。推理領域的參與者 Fireworks（第 9 名）、Baseten（第 12 名）、Fal（第 16 名）和 Modal（第 20 名）也名列前茅，與 Stripe（第 4 名）和 Anduril（第 7 名）等轉型的老牌公司並列。
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。
根據GDC遊戲節最新年度產業調查，40%的遊戲開發者表示他們在工作中使用生成式AI，高於2025年的36%。使用率最高的是免費遊玩開發商（58%）和純手遊工作室（70%），研究和腦力激盪（73%）是首要用途。調查還發現，34%的受訪者在過去兩年內曾被裁員。
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。
Epoch AI 估計，華為位於內蒙古的和林格爾資料中心約有 105,000 顆可運作的 Ascend 910C 與 8,000 顆 Ascend 910B 晶片，相當於約 81,000 顆 H100 等效算力（90% 信賴區間：36,000 至 141,000）。這項估計來自商業衛星影像，以及一套冷卻設備模型，該模型推算這四棟以 AI 為主的建築具備最高 286 MW 的 IT 電力容量。這使和林格爾的算力約為 SpaceX 位於田納西州的 Colossus 2 的 AI 算力的 7%，而一棟規劃中的建築可望在 2028 年初前將其容量提高逾 70%，但仍遠遠落後於 Colossus 2 預計的 180 萬顆 H100e。
根據 ChinaTalk 的一項調查，包括 Mercor、Surge AI、AfterQuery 和 Turing 在內的美國數據經紀商，正向中國 AI 實驗室出售價值約 5 億美元的訓練數據，其中部分為 RL 環境。該報告指出至少九家美國公司參與其中，並稱中國實驗室刻意購買已售予 Anthropic 或 OpenAI 的產品，以跳過成本高昂的內部開發；在中國面臨晶片記憶體瓶頸的情況下，這些節省至關重要。ChinaTalk 指出，RL 環境基本上不受出口管制約束，並主張工業與安全局應將現行管制適用於軍民兩用的程式設計與生物學環境，同時強調中國實驗室仍落後美國同行至少數個月。
Plurai 已完成 1,300 萬美元的種子輪募資，由 Team8 領投，目標是運用借鏡自自動駕駛汽車的模擬技術，讓 AI 代理更可靠。這家新創公司會建立企業系統的數位孿生，梳理出代理可能的運作流程，並利用合成資料讓模型為邊緣案例做好準備，接著再針對每位客戶微調小型開放權重模型。與 Nvidia 和 Nebius 進行的測試顯示，其模型以更低的成本超越了中階前沿模型。
Google DeepMind 發布了 AlphaGenome 2，這是一個基因體模型，可預測 DNA 變異如何影響特定的人類細胞類型，並找出比前代模型多近兩倍的相關基因變化。該模型以人類與小鼠 68 種組織中超過 1.07 億個單一細胞圖譜訓練而成，它將細胞的生物學狀態作為額外輸入，而非一次廣泛預測多種組織。
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。
MIT研究人員開發出一種訓練技術，能提升AI氣候模擬器的效能與適應性，同時僅需使用通常所需資料的一小部分。該方法會生成經過優化的合成訓練情境，其中包含快速的排放變化，讓以遠少於以往資料訓練的模擬器能準確預測傳統模擬器失敗的未見情境。這項研究發表於《美國國家科學院院刊》。
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 DeepMind 發布 AlphaGenome 2，這是一個條件式序列到功能 DNA 模型，可讀取 1 Mb 的 DNA 視窗加上目標細胞狀態，並在每次呼叫時預測單一細胞類型的變異效應。在涵蓋 28 種免疫細胞類型的 TenK10K 單細胞 eQTL 上，90% 精確度下的因果變異召回率從微調後 AlphaGenome 1 的 16% 提升至 30%，效應方向召回率從 23% 提升至 43%。該模型可透過 AlphaGenome API 用於非商業研究，權重承諾於最終發表後釋出，商業使用則處於私下預覽階段。
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。
Google DeepMind 發表 AlphaGenome 2，是去年 AlphaGenome 的後繼模型，能預測基因變異如何影響個別細胞類型與狀態，而非廣泛的組織平均值。該模型以橫跨 68 種組織、超過 1 億個個別細胞圖譜訓練而成，辨識出的可改變基因表現的變異數量，幾乎是先前最先進模型的兩倍，且無須重新訓練即可對新的細胞類型與生物狀態做出預測。Google 自今日起透過 AlphaGenome API 提供非商業研究使用，商業用途則有有限度的私下預覽；DeepMind 的 Žiga Avsec 表示，其更精細的預測在運算上更為昂貴，因此短期內不會取代 AlphaGenome。
包括Mercor、Surge AI、Turing、AfterQuery和Pareto在內的美國資料供應商正在向中國AI實驗室出售強化學習環境，該報告確認了九家與中國有業務往來的供應商。報告認為，這些交易讓中國實驗室得以跳過成本高昂的部署實驗，並節省受記憶體限制的算力，同時指出這些交易在很大程度上不受出口管制約束，且落後於美國實驗室的差距限制了損害。