The art and science of hyperparameter optimization on Amazon Nova Forge
针对特定领域的任务进行微调意味着在不降低模型总体能力的情况下提高某一领域的性能，而实现这种平衡比看起来更难。这篇文章将介绍如何实现这种平衡，从为数据和任务选择正确的定制策略，到配置最影响结果的训练参数，例如学习率、批量大小和检查点。我们还介绍了导致训练运行浪费的常见错误以及如何及早发现这些错误，以便您可以提高域性能，而不会降低一般功能或因可避免的故障而消耗计算资源。最后，您将了解如何在不降低一般功能的情况下提高域性能，以及如何避免因平衡错误而导致代价高昂的故障。
■概要 2026年4月16日，公平交易委员会发布了《生成式人工智能实况调查报告2.0版（以下简称报告）》。该报告调查和分析了生成式人工智能的市场，并考虑了反垄断法下的问题。报告称，市场分为三个部分。具体来说，分为三层：基础设施层，提供生成式人工智能模型的构建和运行环境；模型层，构建并提供生成式人工智能模型；应用层，提供生成式人工智能服务。在基础设施层，生成式AI模型开发者可以直接采购半导体，也可以在云端提供模型开发环境。在前一种情况下，NVIDIA作为半导体供应商具有优势。在后者领域，亚马逊、微软和谷歌是三大领先者。在模型层，无论是通用AI模型还是专用模型，拥有丰富计算资源（半导体等）和海量数
智能引擎研究人员开发并提出了用于文档识别和身份验证的主权人工智能模型。该解决方案基于作者的量化霍夫神经网络架构，可以提高识别质量和反欺诈检查的稳定性，同时将训练参数数量减少100倍以上，对计算资源的需求降低数倍。该技术作为Smart ID Engine 2.8软件解决方案的一部分首次投入商业运营；此次发射的成功归功于智能发动机科学家八年的科技工作。
