2016 年的《精灵宝可梦Go》曾被视为最纯真的游戏体验，鼓励玩家漫步社区、结识陌生人。而到了 2024 年，这款游戏却悄然变身为一个惊人的地理空间人工智能训练场。Niantic开发团队近期披露了一个惊人秘密：多年来，数百万玩家在玩游戏的同时，实际上一直在帮助训练一个庞大的地理空间人工智能系统。这个被称为视觉定位系统（VPS）的技术，正在通过玩家的日常游戏行为，帮助AI学习复杂的三维空间信息。最巧妙的是，这个过程几乎是无感知的。就像互联网文本训练ChatGPT一样，玩家在

在人工智能领域，规模越大似乎就意味着能力越强。为了追求更强大的语言模型，各大科技公司都在疯狂堆叠模型参数和训练数据，结果却发现成本也随之水涨船高。难道就没有一种既经济又高效的方法来训练语言模型吗?来自哈佛大学和斯坦福大学的研究人员最近发表了一篇论文，他们发现，模型训练的精度（precision） 就像一把隐藏的钥匙，可以解锁语言模型训练的“成本密码”。什么是模型精度?简单来说，它指的是模型参数和计算过程中使用的数字位数。传统的深度学习模型通常使用

大模型（LLM）如GPT、Llama等在人工智能领域掀起了一场革命，但如何高效地训练这些庞大的模型并使其符合人类价值观仍然是一个难题。强化学习与人类反馈（RLHF）作为一种重要的LLM训练方法，近年来得到广泛应用，但传统的RLHF框架在灵活性、效率和可扩展性方面存在局限性。为解决这些问题，字节跳动豆包大模型团队开源了名为HybridFlow的RLHF框架，为LLM训练带来了新的可能性。RLHF通常包含三个阶段:首先，actor模型根据输入的提示生成文本;然后，critic模型、reference模型和reward模型对生成

最近，开放源代码倡议组织（OSI）发布了一项新定义，明确什么才算是真正的 “开源” 人工智能。这一新标准引起了科技巨头们的关注，尤其是 Meta 的 Llama 模型，因为它并不符合这些规则。OSI 一直是开放源代码软件的行业标准制定者，但在 AI 系统中，有一些传统许可证未能覆盖的元素，比如模型训练数据。根据 OSI 的新定义，任何被认为是真正开放源代码的 AI 系统必须提供三样东西:首先是有关训练 AI 所用数据的详细信息，以便他人能够理解并重现这些结果;其次是用于构建和运行 AI 的

字节跳动近期针对“实习生破坏大模型训练”的传闻进行了官方回应。该公司确认，确实有一名实习生恶意干扰了商业化技术团队的研究项目模型训练任务，但这一行为并未影响到公司的正式商业项目和线上业务，也没有涉及到字节跳动的其他大型模型业务。此外，字节跳动还指出，网络上流传的“涉及8000多卡、损失上千万美元”的说法是严重夸大的。据公开报道，该实习生在字节跳动商业化技术团队实习期间，因对团队资源分配不满，利用了Hugging Face平台的漏洞，使用攻击代码破坏了团

社交网络平台X（原Twitter）周三更新了其隐私政策，引发了广泛关注和讨论。新政策显示，X将默认允许第三方"合作伙伴"使用平台数据训练AI模型，除非用户主动选择退出。这一举动不仅凸显了X在寻求新收入来源方面的努力，也引发了对用户数据隐私保护的担忧。新政策的核心变化包括:第三方数据使用:新增条款允许第三方合作伙伴使用X用户数据，包括训练AI模型。用户可以选择退出，但默认情况下将参与此计划。数据保留期限:移除了之前关于个人识别信息最长保留18个月的说明，改为根据

火山引擎在近期的视频云技术大会上发布了一项重要创新:大模型训练视频预处理方案。这一技术已成功应用于豆包视频生成模型，标志着AI视频生成技术的重大进展。火山引擎总裁谭待强调，AIGC和多模态技术正在深刻改变用户体验。基于抖音的实践经验，火山引擎正积极探索AI大模型与视频技术的融合，为企业提供全方位解决方案。抖音集团视频架构负责人王悦指出，大模型训练面临诸多挑战，包括海量数据处理成本高、样本质量不一、处理链路复杂，以及多种异构算力资源的调度问题。

据CNBC报道，旧金山的人工智能初创公司Writer周三推出了一款大型人工智能模型，与OpenAI、Anthropic等公司提供的企业产品展开竞争。令人瞩目的是，Writer只需花费约70万美元来训练其最新模型，包括数据和GPU，而竞争对手的初创公司则花费了数百万美元来构建自己的模型。图源备注:图片由AI生成，图片授权服务商MidjourneyWriter使用合成数据（即人工智能创建的数据）来降低成本。它旨在模拟通常输入模型的真实世界信息，而不会损害隐私，并且正在成为一种更受欢迎的训练方法。亚马逊、Meta

在 AI 的世界里，数据就像是金矿，越丰富越闪亮。最近，LLM360推出了一个令人瞩目的数据集 TxT360，专为大语言模型训练量身定做。这个庞然大物不仅收录了来自各行各业的高质量文本数据，更是经历了一场全球范围的去重大作战，最终汇聚成5.7万亿个优质 tokens，真可谓是 “数据界的百宝箱”!TxT360的魅力在于其超大的规模和超高的质量，完胜现有的 FineWeb 和 RedPajama 等数据集。这份数据集从99个 Common Crawl 快照中抓取了互联网的精华，同时还特别挑选了14个高质量的数据源，比如法律文档和

随着人工智能技术的飞速发展，一个新兴的高薪职业悄然崛起——AI培训师。这个行业的快速发展不仅反映了AI技术的进步，也揭示了当前AI模型面临的挑战和未来发展方向。在AI发展的早期阶段，模型训练主要依靠低成本工人完成一些基础的数据标注工作。然而，随着AI竞争的加剧和模型复杂度的提升，对高素质AI培训师的需求急剧增加。这些培训师不再局限于本科生，而是包括了执业医生、金融分析师、会计师，甚至拥有博士学位的专业人士。Cohere公司的联合创始人伊凡・张表示，仅仅一

在2024年火山引擎AI创新巡展上，火山引擎总裁谭待揭晓了最新的豆包·视频生成模型。该模型具备多项先进技术，包括高效的DIT融合计算单元，这一单元能够实现视频和文本的深度压缩编码;同时，它采用了一种全新的扩散模型训练方式，确保了在生成多镜头视频时的一致性;此外，模型还整合了深度优化的Transformer结构，显著增强了视频生成的泛化能力。

Fluxgym是一款面向AI爱好者的新型训练工具，旨在降低模型训练的门槛。它具有极低的硬件要求，仅需12GB显存即可进行AI模型训练，极大地扩大了参与人群。通过结合简洁的前端和强大的后端，Fluxgym提供了一个易于操作的界面，用户只需完成简单的三个步骤即可启动训练过程。其核心优势在于对低配置设备的支持、简化用户界面和流畅的训练流程，使得AI新手也能快速上手。Fluxgym的推出降低了AI训练的进入壁垒，为更多人打开了AI世界的大门，推动了FLUX Lora模型的发展，并可能激发新的应用和创新。

飞桨框架3.0版本发布，核心升级为动静统一自动并行技术，旨在简化大模型分布式训练流程，提高开发效率。新版本支持四维至五维混合并行技术，采用多种并行方式，如数据并行、张量模型并行、流水线并行和分组参数切片并行，有效提升大模型训练效率。自动并行技术通过张量切分语法标记，自动推导分布式切分状态和添加通信算子，降低开发难度。自动并行原理包括分布式张量表示、切分推导、切分转换，支持重切分能力。飞桨提供动静统一执行模式，支持从动态图到静态图的转换，兼顾便捷性和效率。性能优化策略包括算子融合、流水线编排调度、通信-计算Overlap和通信融合，通过配置选项即可开启，进一步提升分布式训练性能。

英伟达开源了两款新型大模型Nemotron-4-Minitron-4B和Nemotron-4-Minitron-8B，采用结构化剪枝和知识蒸馏高效训练方法，显著降低训练需求，减少数据和算力消耗。与传统方法相比，新模型的训练token数据减少40倍，算力成本节省1.8倍。通过优化Llama-3.18B，结构化剪枝简化模型结构，知识蒸馏提升性能，Minitron-4B和Minitron-8B在MMLU上的评分提升16%，性能媲美Mistral7B等知名模型。这一开源举措展示了英伟达在AI领域的领导地位，并为AI社区提供了宝贵资源，推动AI技术向更高效、更智能方向发展。

Anthropic 首席执行官预计 AI 模型训练成本在未来三年内将会有显著提升，从目前的 10 亿美元增长到 1000 亿美元，引发行业对成本前沿的波澜与 AI 泡沫的可行性讨论。这一成本增长主因在于不断增长的硬件需求，特别是 AI 模型快速扩张对高性能计算硬件（特别是 GPU 和数据中心能源）的驱动。此外，伴随着人工智能从生成式向通用目的的演进，基础理论与发展路径的探讨与其实用成本之间的平衡成为关注焦点。提高效率与优化成本成为 AI 领域深度研究的关键。关注硬件与能源优化、提高人力成本利用效率、数据管理与维护，仍将是降低 AI 训练成本、实现其经济可持续发展的核心路径。因此，AI 产业仍需高度关注技术与经济策略的综合平衡，以推动其蓬勃发展。

腾讯近日发布了自研星脉网络2.0版本，这一重大升级为大规模人工智能模型训练带来了显著的性能提升。新版本在网络规模、硬件性能、通信协议和故障诊断等多个方面都实现了突破。

北大和香港科技大学的团队搞了个大新闻，他们提出了一种训练方法，让8B尺寸的医疗专家模型达到了GPT-4级的性能。这可不是小打小闹，他们还引入了一个新概念——「稳定性差距」，来解释大语言模型在持续预训练过程中出现的一些现象。

腾讯云最近推出了升级版的星脉网络2.0，旨在提高大模型训练的效率。在之前的版本中，大型模型的计算结果同步通信时间占据了50% 以上的比例，导致效率低下。新版本的星脉网络2.0在多个方面进行了升级:

近日，北京互联网法院在线开庭审理了四起插画师起诉AI绘画软件开发运营者的著作权侵权案件。这四起案件的原告均为知名插画师，他们发现自己在某内容分享平台上发布的原创作品被AI绘画软件大量模仿，并作为训练素材用于生成新的画作。这些AI生成的画作不仅与原告的作品风格高度相似，而且被大量用于商业用途，对原告的利益造成了严重侵害。

近日，摩尔线程与全学科教育AI大模型“师者AI”联合宣布，双方已完成大模型训练测试。依托摩尔线程夸娥（KUAE）千卡智算集群，师者AI顺利完成了70亿参数大模型的高强度训练，用时一周，训练效率达到预期，充分展示了国产全功能GPU千卡千亿训练平台的能力。