U.S. Hunger 利用 Amazon Quick 连接领导者与数据
U.S. Hunger 利用 Amazon Quick 实现跨组织数据直接探索，领导者可在共享定义中查看财务信息并结合家庭报告的情况。CEO Rick Whitted 通过 Quick 的 Spaces 功能让领导团队围绕 KPI 与财务模型协同决策，并计划将数据通过 Redshift 与 Boomi 管道共享，以支持更广泛的研究与公共资源。
阅读原文 来源：AWS Machine Learning Blog
#Meta
AWS Machine Learning Blog一手 Hugging Face Blog一手精选 NVIDIA Kumo Relational 发布：预训练关系基础模型在关系数据上无需训练即可预测
NVIDIA 发布 Kumo Relational，这是一个预训练的关系基础模型，可直接在企业数据库上进行预测。它无需任务特定训练、特征工程或表展平，通过单次前向传递即可预测流失率、需求或欺诈等结果。
阅读原文 来源：Hugging Face Blog推荐理由原文给出了能力变化和开放入口，读者可以据此判断它会怎样改变现有工作流。
Hugging Face Blog一手精选 SLM 词汇专门化可在实际应用中将推理成本降低 77%
文章介绍了 VocabX 方法，通过专门化词汇将 SLM 推理成本降低 77%。在 Portuguese essay grader 实验中，模型的平均输出 token 数从 350 降至 101，基于 Qwen3-4B 的基座模型在不改变权重的情况下实现成本大幅下降。
阅读原文 来源：Hugging Face Blog推荐理由文章展示了如何通过专门化词汇显著降低 SLM 推理成本，并提供了具体的实验数据和方法论，读者可直接了解成本优化的关键技术点。
AWS Machine Learning Blog一手精选 Muse Spark Open 现已上线 SageMaker JumpStart，提供两种量化方案和 1 亿 token 上下文窗口
Muse Spark Open，Meta 的代码优化开权模型，现已上线 Amazon SageMaker JumpStart。模型支持 1 亿 token 上下文窗口，可处理文本、图片、音频和音频视频，输出文本。
阅读原文 来源：AWS Machine Learning Blog推荐理由原文提供了模型部署步骤、实例规格和推理能力展示，读者可以据此快速上手并对比两种量化方案的性能差异。
Hugging Face Blog一手精选 Meta发布开放权重前沿多模态混合专家模型Muse Spark Open
Meta发布开放权重前沿多模态混合专家模型Muse Spark Open，该模型约816B总参数，每token激活42B，上下文窗口支持100万token。模型支持文本、图像、音频和视频输入，专为代理编码设计，可阅读代码库、编写和调试代码并调用工具。
阅读原文 来源：Hugging Face Blog推荐理由原文发布了约816B参数的开放权重多模态MoE模型，提供了从运行、微调到部署的完整技术指南，展示了跨文本、图像、音频、视频的代理编码能力。读者可了解模型架构、量化部署和实际应用案例。
Google Research一手 Google Research：Putting Earth AI to work：地理空间代理助力地球最大挑战
Google Research发布了地理空间推理代理系统及两个新基准测试。代理系统连接Gemini与Earth AI基座模型，支持多步推理和自主训练自定义预测模型。
阅读原文 来源：Google Research
NVIDIA Blog一手 NVIDIA 在 OCP 全球峰会开放维拉 Rubin 架构，助力全球 AI 工厂规模化
NVIDIA 在 OCP 全球峰会宣布多项开放基础设施进展：通过 MGX 极开放架构贡献 Vera Rubin 机架和算力规格；发布 DSX AI 工厂开源组件。
阅读原文 来源：NVIDIA Blog
Microsoft Research一手 What AI gets wrong and what failure teaches us
Jennifer Neville, Microsoft Research partner research manager。
阅读原文 来源：Microsoft Research
Berkeley AI Research一手 Identifying Interactions at Scale for LLMs
Berkeley AI Research 提出 SPEX 与 ProxySPEX 两种算法，利用稀疏恢复与层级结构，在大幅减少 Ablation 成本的情况下，识别 LLM 中关键的高阶交互。SPEX 在数千特征规模下实现了现有方法难以企及的忠实度表现，ProxySPEX 则通过层级假设使计算成本降低约 10 倍，显著提升了特征、数据及模型内部组件的可解释性分析效率。
阅读原文 来源：Berkeley AI Research