基准日期 2026-11-03
上次运行 2026-11-03 21:00:25
S&P 500
7,569
NDX 100
28,180
VIX
20.82
US 10Y
4.95%
DXY
101.86
WTI
$96.60
Gold
$3,932
USD/KRW
1,344
SOX
10,599
Trump Approve
35.4%
S&P 500
7,569
NDX 100
28,180
VIX
20.82
US 10Y
4.95%
DXY
101.86
WTI
$96.60
Gold
$3,932
USD/KRW
1,344
SOX
10,599
Trump Approve
35.4%
AI LEADERS · MOVES & PAPERS

AI 领袖:人事变动与论文 — 最新任职变化与研究

LAST UPDATE 2026-11-03 08:00 KST PEOPLE 77 · PAPERS 76 · MOVES 0
AI 实验室、大型科技公司和学术界关键人物的去向与论文,是技术方向和企业竞争力的先行信号。人事变动与论文每天自动收集,经编辑审核后以通俗摘要和原文链接呈现。

近期要闻

人事变动 · 训练与扩展

暂无符合条件的人事变动。

论文 · 训练与扩展

论文2026-10-29 · arXiv (Cornell University)

证明了人工智能模型在处理不同信息模态时能够学习到相同的世界

Proving and Improving the Platonic Representation Hypothesis with JEPAs
扬·勒丘恩 等 1 人
做了什么
研究团队将“学习不同输入形态的人工智能模型会收敛于相同的世界表征”这一假设证明为数学定理,并提出了改进该方法的方法。
核心结果
研究确认,采用良好视角的模型能够以比下一个词预测方法少得多的数据,高效地使表征保持一致。
意义
本研究有助于改善人工智能高效理解数据以及连接不同信息模态的方式。AI 摘要
论文2026-10-22

找到了利用人工智能生成的虚拟数据提升性能的规律

Rewriting Scaling Laws for Synthetic Data with Compute and Data Constraints
Percy Liang 等 6 人
做了什么
研究了语言模型在预训练中使用将自然语言文档改写为其他样式的虚拟数据(Synthetic rewrites)时,在计算资源和数据限制下预测最佳比例与性能的规律。
核心结果
随着计算机计算资源的增加,虚拟数据的最佳比重也随之增加;并且,用比自身更大的模型或同等大小模型生成的虚拟数据进行训练的模型,比仅使用原始数据的模型表现出更优异的性能。
意义
这表明利用虚拟数据的人工智能训练方法是可预测的,并通过此方法可以克服数据限制并高效地改善性能。AI 摘要
论文2026-10-04 · arXiv (Cornell University)

提出一种用单个AI模型平衡多种价值的新训练方法

Which Preferences to Train On? End-to-End Multi-Objective Alignment with an Adversarial Preference Distribution
趙京鉉 等 2 人
做了什么
研究团队提出了一种名为MAESTRO的训练方法,使AI语言模型能够根据用户的请求,在有用性、无害性、幽默感等多种价值之间调整平衡。
核心结果
根据摘要,MAESTRO在处理多达三个目标的实验中,仅通过一次训练就在大多数任务中获得了最佳的平衡曲线(帕累托前沿),并且在所比较的方法中训练成本最低。
意义
如果单个模型能够处理多种价值组合,这将表明企业可以更高效地构建适合不同用户设置的AI服务,但仅凭摘要很难判断其实际市场效果。AI 摘要
论文2026-09-29 · arXiv (Cornell University)

利用AI通过少量真实视频扩展人形机器人搬运学习

Counterfactual Video Generation Enables Scalable Humanoid Loco-Manipulation
做了什么
提出了基于人类搬运物品的少量真实视频让AI生成各种虚拟视频并将其用于机器人学习的方法(PRISM)。
核心结果
据报告,通过这种方式学习到的单一控制策略,使真实的 humanoid 机器人无需额外的现实学习,就成功地抓取、搬运并放下箱子、圆桶、桶和球等物品。
意义
在难以收集大量真实机器人演示数据的状况下,展示了用少量真实视频增加学习数据的可能性,因此具有重要意义。AI 摘要
论文2026-09-28 · arXiv (Cornell University)

引入未来上下文以改进块扩散语言模型训练的研究

d-OPD: Future-Aware On-Policy Distillation for Block Diffusion Language Models
Song Han 等 2 人
做了什么
提出了 d-OPD,这是一种蒸馏训练方法,用于将传统的自回归(一次生成一个标记)语言模型转化为以块为单位并行生成多个标记的块扩散语言模型。
核心结果
据报告,在 Qwen3 模型(0.6B 至 8B)的实验中,与现有方法 OPDLM 相比,六个基准测试的平均分最多提高了 4.0 分,同时训练时间缩短了 1.35 到 1.58 倍。
意义
摘要指出,以块为单位同时生成多个标记的方法有望提高文本生成速度,而本研究表明可以提高构建此类模型的训练过程效率。AI 摘要
论文2026-09-10

分析人工智能训练数据重复时混合专家模型的过拟合现象

Data Scarcity and Model Sparsity: Mixtures-of-Experts Overfit More to Repeated Data
Percy Liang 等 4 人
做了什么
研究表明,当人工智能训练数据重复时,近年来广泛使用的“混合专家”架构比传统模型的性能下降更快。
核心结果
在数据重复时,混合专家模型极易发生过拟合,虽然可以通过传统的正则化技术得到一定程度的缓解,但仍无法达到使用独占数据训练时的性能。
意义
这表明在因数据稀缺而需要重复学习的情况下,有必要根据人工智能模型的架构特点来制定训练策略。AI 摘要
论文2026-08-12

开发全新优化技术 Dion3,将人工智能训练速度提升最高 6 倍

Dion3: Full-Stack Orthogonal Updates
Tri Dao 等 7 人
做了什么
针对现有AI训练工具 Muon 存在的高计算和通信成本问题,开发了全系统改进的 Dion3。
核心结果
Dion3 在保持与 Muon 相同或更好性能的同时,将优化步骤所需时间缩短了最高 6 倍。
意义
有助于提高人工智能模型训练过程的效率,从而降低相关计算成本。AI 摘要
论文2026-07-27

开源AI模型 'Kimi K3' 发布

Kimi K3: Open Frontier Intelligence
杨植麟 等 399 人
做了什么
研究人员开发并发布了拥有2.8万亿个参数的开源AI模型 'Kimi K3'。
核心结果
该模型显示出比现有模型高出约2.5倍的扩展效率,并在多项评估中创下了优异的性能记录。
意义
通过以开源形式发布最先进的AI技术,预计将促进未来的相关研究和产业应用。AI 摘要
论文2026-07-02 · arXiv.org

谷歌发布兼顾性能与效率的开源AI“Gemma 4”

Gemma 4 Technical Report
做了什么
谷歌开发了新一代开源多模态语言模型“Gemma 4”,增强了计算效率和推理能力。
核心结果
在科学、技术、工程、数学(STEM)以及多模态等各项评估指标中,性能均显著提升。
意义
这表明开源AI模型有了更多选择,可以用更少的资源解决复杂问题。AI 摘要
论文2026-05-27 · arXiv.org

开发用于在人工智能训练过程中追踪记忆与泛化转换的诊断工具

A Training-Time Diagnostic for Generalization via the Log-Alignment Ratio
做了什么
研究了一种利用测量参数与激活值的“对数对齐比率(LAR)”来追踪人工智能是在对数据进行简单记忆还是在实际学习的诊断方法。
核心结果
LAR 在无需额外验证数据的情况下,有效地捕捉到了人工智能泛化能力的变化和过拟合征兆。
意义
无需单独的验证数据即可在训练过程中诊断 AI 的性能,有望为未来高效的模型训练管理技术发展做出贡献。AI 摘要

人物

为什么要关注 AI 领袖的人事与论文?

在 AI 行业,人就是技术。关键研究者加入哪家公司、创办哪家实验室,往往在几个月后演变为产品、融资和并购。本页按前沿实验室、新兴实验室、学术界、AI 芯片以及韩国、中国人物分类追踪任职变化。

论文反映一个人当下的关注点。我们把论文分为 HBM 与存储、GPU 与加速器、推理效率、智能体、机器人等 10 个与投资相关的领域,并根据摘要提供“做了什么·核心结果·意义”三行摘要及原文与 PDF 链接。本页仅为寻找投资思路的信息,不构成任何证券的买卖建议。

常见问题

问:追踪哪些人物?

包括前沿实验室(OpenAI、Google DeepMind、Anthropic、Meta 等)、新兴实验室、学术界、AI 芯片企业以及韩国和中国的关键研究者与高管。很少发表论文的高管只追踪人事变动。

问:数据来自哪里,多久更新一次?

论文来自 Semantic Scholar 与 arXiv,履历来自维基数据(CC0)及官方公告和媒体报道,每天自动收集。只有经编辑审核批准的条目才会公开。

问:论文摘要由谁撰写?

由 AI(Google Gemini)根据论文摘要撰写初稿,经编辑审核后发布。其他语言版本由 AI 翻译自审核过的韩文摘要。具体数据与背景请务必查阅原文。

本页面整理已发表的论文、官方公告和媒体报道,仅供参考。论文摘要由 AI 根据论文摘要撰写并经编辑审核,可能与原文存在差异,重要内容请查阅原文。本页面不构成任何证券的买卖建议或投资咨询。 人事变动以官方公告或主要媒体报道为来源,部分履历参考维基数据(CC0)。 本页摘要由 AI 根据编辑审核过的韩文版本翻译。

🐩 支持코봉이零食基金
코봉이
如果这个页面对你有帮助,也欢迎支持코봉이的零食基金 🦴
💬 社区评论
基于IP的匿名昵称 · 滥用可能导致限制
加载中...