AutoSynthData：為企業代理生成訓練數據
為什麼值得讀 此系統透過針對特定能力缺口，自動化高品質合成數據的創建，為複雜環境中代理的微調提供可擴展的解決方案。
ServiceNow 研究人員推出 AutoSynthData 管線，將模型失敗轉換為企業代理的已驗證訓練任務，透過針對特定能力缺口自動化高品質合成數據創建，提供複雜環境中微調代理的可擴展解決方案。
標籤 · #training
SWE-Prime 以更少的軌跡提升模型效能
為什麼值得讀 開發者應關注此議題，因為雜訊監督可能促使模型模仿不理想的問題解決行為。
新方法 SWE-Prime 透過過濾訓練數據，提升大型語言模型解決現實軟體問題的能力。此方法採用多粒度、兩階段選擇策略，在軌跡與片段層級逐步篩選，確保僅貢獻正向解的片段用於損失計算，同時保留完整上下文，避免引入雜訊監督並鼓勵模仿不良行為。
實體AI算力對決 — Waymo Google Cloud TPU vs Tesla Dojo D1：訓練基礎設施基準測試 2026
Waymo 使用 Google TPU Pod 並享受補貼算力，每日模擬 150 億英里。Tesla 建造 Dojo D1 專用晶片訓練影片，同步運行 NVIDIA H100 叢集。
實體AI資料飛輪 — Tesla 6百萬輛車的訓練優勢、Waymo 5千萬英里無人駕駛里程，以及數量還是品質決定AV競賽勝負
Tesla 6M車隊 vs Waymo 5千萬無人英里：以資料飛輪為實體AI基準維度，分析數量與品質何者勝出。
Physical AI 資料管線 — Tesla 600萬輛車收集飛輪 vs Waymo 每日150億模擬里程：訓練基礎設施競賽
Tesla 每日從600萬輛車收集數百萬英里FSD里程；Waymo每日運行150億模擬里程。數量vs品質定義了Physical AI資料管線競賽。