标签
在 Hugging Face 上发布了包含 56 亿条 TikTok 视频元数据（2014 年至 2026 年 10 月）的数据集，并提供可直接查询的 ClickHouse 数据库，涵盖创作者、视频和音频三张表。
NVIDIA发布了NVIDIA-Nemotron-Labs-3-Competitive-Coding-550B-A55B-NVFP4，这是一个550B参数的模型，专为竞赛编程和算法问题解决而微调，基于Nemotron-3-Ultra。
YODAS v3是一个弱标签语音语料库，包含超过110万小时的高带宽、立体声、147种语言的多语言音频，旨在推动语音基础模型的发展。
本文介绍了RGBD20K，这是一个用于RGB-D语义分割的大规模基准数据集，包含160个细粒度类别和20,000对图像，具有高质量注释和一种新颖的分数净化融合方法。
DeepSeek 正在训练一个 2 万亿参数的 AI 模型，并计划最终构建一个 8 万亿参数的模型。
StepAudio 3 Music 介绍了一个大规模、长篇音乐生成模型，通过 ABC-CoT 实现显式音乐规划，在音频质量和相似度指标上取得了高分，与其他系统相比表现优异。
Q2D-Web是一个大规模的基准和排行榜，用于评估网络搜索中的检索模型，具有1.9亿文档和查询，涵盖十种语言，并采用方法以最小化偏差并降低评估成本。
本文提出了一种通过在线草稿协同训练加速大规模强化学习后训练中投机解码的系统，利用上下文并行注意力扩展和跨阶段特征传输。
本文介绍了针对LinkedIn语义搜索的对齐策略检索框架，利用嵌入向量划分为类别监督分段，并采用两阶段GPU架构以提升召回率和精确率，显著效果在A/B测试中得到验证。
据报道，OpenAI已完成其下一个大规模AI模型的预训练，使用超过10万亿token数据，并被称为"Bel"。
Google AI 演示了 Gemini 3.5 Flash-Lite 处理超过100万张目录图片，以低延迟和高效令牌提取结构化数据，适用于大规模工作流。
TableVerse 引入了一个完全自动化的 Real2Sim 流水线，将非结构化、野外图像转换为高保真、可模拟的桌面环境，具有精确的度量标准和物理稳定性，同时提供了一个大规模数据集（TableVerse-100K），用于可泛化的机器人操作。
提出 SG-JEPA，一种面向大规模动态图的联合脉冲嵌入预测架构，该架构沿时间维度将节点划分为上下文集和目标集，以学习预测性嵌入，在节点分类上取得有竞争力的性能，同时可扩展到拥有1300万条边的图，并避免了复杂的自监督机制。
Anthropic 概述了使用 Claude Code 进行大规模代码迁移的六步流程，重点包括创建规则手册、依赖关系映射以及通过强大的评审模型进行迭代验证。
TabLoRA 提出了一种针对大规模表格数据的参数高效神经集成方法，通过共享公共骨干网络并引入预测器特定的低秩适配，在性能上与 GBDT 和深度学习基线方法相竞争。
PRIME-RL是一个用于大规模异步强化学习的框架，设计上易于定制，可扩展至1000+块GPU，并支持多种模型和环境。
本文介绍了协同路径构建器（CoRC），这是一个框架，允许独立求解的子问题在优化过程中交换客户和车辆，从而提升大规模容量限制车辆路径问题的可行性和可扩展性。
一位在 xAI 领导 SGLang 团队的前伯克利博士，解释了如何使用分离预填充/解码、专家分片以及通信/计算重叠，在 10 万块 GPU 上为 Grok 提供服务，以实现碾压 DeepSeek API 的价格。