Halloween Science Is Now In Its 2nd Edition
万圣节科学现已推出第二版 万圣节是最容易谣言传播的节日。如果你读过社交媒体上的民间传说，你会发现万圣节有自己的节日角色，比如圣诞老人，但他被称为“秘密虐待狂”，并把剃须刀片放在糖果里。或者再次在...糖果棒中服用 LSD。Hank CampbellMon, 08/17/2026 - 19:18类别随机想法
LiteLLM Supply-Chain Attack – Technology, Banking and Healthcare the Most Affected
SANDCLOCK LiteLLM 供应链攻击暴露了 2,038 个存储库的凭证，影响了技术、金融、医疗保健、零售等领域。 Resecurity（美国）估计了受“SANDCLOCK”后门影响最严重的扇区，该后门是由于代码存储库泄露而植入的。据网络安全专家称，LiteLLM / TeamPCP 供应链攻击将产生长期的后果。通过损害 [...]
Потребление китайских LLM в России выросло более чем в 11 раз
MWS云分析了俄罗斯企业对中国大语言模型的消费情况。 2026年上半年的消费量比2025年全年高出11倍多。
Badenoch, O’Sullivan and Sturgeon: What did my holiday reading reveal about higher ed?
HEPI 主任 Nick Hillman OBE 在他的一些假期读物中搜索提及高等教育的内容。今年初暑假后，我读到了三位成功而坚韧的女性的故事：凯米·巴德诺克、卡特里娜·奥沙利文和尼古拉·斯特金。由于这是 HEPI 博客上的一个条目，我 […]巴德诺赫、奥沙利文和斯特金的帖子：我的假期阅读揭示了关于高等教育的什么？首先出现在 HEPI 上。
Scientific Ranking of Protein Sources Has a Clear Winner
Hatty Willmoth，科学聚焦豆腐被加冕为蛋白质王子
How to Utilize OKF Efficiently to Enable Knowledge Exchange Among LLMs
Google 的开放知识格式 (OKF) 是一个 Markdown+YAML 框架，用于在人类和 AI 代理之间共享知识。这篇文章在一项非常具体的工作中重用了该框架——在三个 Qwen2.5-Coder 模型（7B、3B、1.5B）之间进行预标记化整数数组的代理到代理的交接，并显示了 28-37% 的 TTFT 减少以及一个确保整个安全的全词汇等效性检查。如何有效利用 OKF 来实现 LLM 之间的知识交换的文章首先出现在 Towards Data 上科学。
企业文档智能 [Vol.1 #9ter] - 第 9 条中的管道分几个步骤调用模型以确保其正确。对于简单的问题，这是不必要的延迟。每个问题的信号都会引导他们通过模型，为关键字匹配节省大约两秒的时间。通过减少 LLM 的调用，而不是通过购买更快的模型来降低企业 RAG 管道的延迟和成本，该帖子首先出现在《走向数据科学》上。
Harbor Seeks To Counter General LLM FDEs
法律技术咨询公司 Harbor 推出了针对法律人工智能需求的“部署”，这将使他们“在客户内部嵌入包括前沿部署工程师 (FDE) 在内的专家团队”。他们...
Big AI vs academia: for what comes next, follow the money
本博客由 HEPI 合作伙伴 Studiosity 首席执行官兼董事总经理 Michael Larsen 友情撰写。自近四年前公开发布以来，日益强大的大型语言模型 (LLM) 对社会的影响最深刻的莫过于高等教育。学生对该技术的采用率超过 90%，而越来越多的人 […]《大人工智能 vs 学术界：接下来会发生什么，跟随金钱》一文首先出现在 HEPI 上。
特约撰稿人 Sascha Pare 与作曲家兼声音艺术家 Jim Nollman 谈论了他与虎鲸乐队成员创作的新专辑“Orcas' Greatest Hits”。
Tiered KV cache for large LLMs on Amazon SageMaker HyperPod with Curvine
大规模运行大型语言模型推理会迫使 KV 缓存进行权衡：GPU 实例规模过大或首次生成令牌的时间过长。本文在 Amazon SageMaker HyperPod 上构建了一个分层 KV 缓存，将缓存扩展到使用 Curvine 的共享分布式 NVMe 池中，因此副本可以在经济高效的实例上以接近本地磁盘的速度重用缓存。
Building Multimodal Workflows with a Local LLM
使用 Gemma 4 和 Ollama 进行图像输入和结构化输出The post Building Multimodal Workflows with a Local LLM 首先出现在 Towards Data Science 上。
NLP in 2026: Trends, Use Cases & Future of Language AI | Shaip
每天，您的组织都会产生堆积如山的文字。支持票据、合同、临床记录、客户评论、电子邮件、通话记录。大约 80% 的企业数据以这样的非结构化文本形式存在——直到最近，几乎没有一个数据可以进行大规模分析。它就在那里。自然语言处理改变了这一点。到 2026 年，随着大型语言模型承担重任，NLP 已经从一个小众研究领域变成了几乎所有你接触到的人工智能产品背后的引擎。市场反映了这一点：分析师预计 NLP 将从 2025 年的约 $37-51B 增长到 2030 年代初期的 $190-250B，并且 78% 的组织已经报告在其业务中使用人工智能。那么今天的 NLP 到底是什么，它实际上是如何工作的，以及它的发
Semantic Knowledge Graph for LLM Agents
为什么重要：了解 LLM 代理的语义知识图如何减少幻觉、增加记忆力并将测试中的答案准确性从 17% 提高到 54%。
DeepAmbigQA: Ambiguous Multi-hop Questions for Benchmarking LLM Answer Completeness
具有集成搜索工具的大型语言模型 (LLM) 在开放域问答 (QA) 方面显示出强大的前景，但它们常常难以为复杂问题提供完整的答案，例如“电影《热火》中的哪位演员至少赢得了一项奥斯卡奖？”，这需要 (1) 区分多部具有相同标题的电影，以及 (2) 对大量演员进行推理以收集和整合证据。现有的质量保证基准很少联合评估这两个挑战。为了解决这个问题，我们引入了 DEEPAMBIGQAGEN，一个自动数据生成管道，用于构建 QA...
Understanding Alignment in Multimodal LLMs: A Comprehensive Study
偏好对齐已成为提高大型语言模型 (LLM) 性能的关键组成部分，但其对多模态大型语言模型 (MLLM) 的影响仍相对未得到充分研究。与语言模型类似，用于图像理解任务的 MLLM 也会遇到幻觉等挑战。在 MLLM 中，幻觉不仅可以通过陈述不正确的事实而发生，还可以通过产生与图像内容不一致的响应而发生。 MLLM 对齐的主要目标是鼓励这些模型将响应与图像信息更紧密地对齐。最近...
LLM optimization integration for Amazon SageMaker Python SDK
Amazon SageMaker Python SDK v3 现在直接在您的笔记本中公开 Amazon SageMaker AI 中的生成式 AI 推理建议。对端点进行基准测试，生成数据驱动的部署建议，并部署推荐的配置，而无需离开笔记本工作流程。
Is This Slop? Detecting AI-Generated Content Without a Model
研究支持的线索，用于检测 LLM 生成的文本以及关于“为什么”该帖子是这样的数学直觉的数学直觉吗？在没有模型的情况下检测人工智能生成的内容首先出现在走向数据科学上。
