OpenAI 迈向前沿 AI 训练的安全论证
OpenAI 提出面向前沿 AI 训练安全论证的早期指南，覆盖技术防护措施、运营实践和错位事件调查。
#数据/训练
#数据/训练
今日 1 条OpenAI NewsAI 评分2626
Google ResearchAI 评分4949 Google 用 MAPL-EMIT 从太空测绘全球甲烷排放
Google 的 MAPL-EMIT 用深度学习处理 EMIT 高光谱数据，自动检测并定位全球甲烷点源。专家标注羽流召回率达84%，信噪比高于匹配滤波增强方法，训练数据为3.6 million条合成羽流。全球羽流数据库已放上Earth Engine，训练模型与合成羽流在Kaggle，推理库在Github。
Google ResearchAI 评分5353 Google Research 的行星预测引擎 PPE 通过 Earth AI 自动构建全球模型
Google Research 在 Google Earth AI 中介绍实验性行星预测引擎 PPE，可根据自然语言查询自动完成地理空间数据发现、整理、训练、评估并生成报告，把含人工数据工程的建模时间从数周缩到数分钟。
Import AIAI 评分4646 Import AI 470：机器没有权利；用 SPADE 自动生成环境；用 Hawkeye 构建更好的 GPU 内核
华盛顿大学、斯坦福大学等高校提出 SPADE，让大语言模型以自对弈交替生成可执行训练环境并求解，用来合成训练数据。Qwen3-30B-A3B 的游戏环境套件平均分为 58.3，比基座高 8.1、比最强固定环境基线高 5.3。METR 研究显示，LLM 对网络安全漏洞发现加速明显，数学仅轻微加速，AI 研究算法进展则没有可测到的加速。
Google Research精选AI 评分6060 Google Research 指出前沿大语言模型事实性瓶颈在于召回而非编码
Google Research 提出知识画像，发现前沿大语言模型的许多事实错误是召回失败，而不是事实未被编码。基于 2,150 条维基事实的 WikiProfile 显示，Gemini-3-Pro 和 GPT-5 已编码 95–98% 的事实，但仍有 26–34% 无法直接召回，开启思考后失败比例为 11–12%。
推荐理由：用知识画像同时衡量事实的编码和召回后，前沿模型的事实性短板更集中于已经写入参数却难以稳定取出的知识。
Microsoft ResearchAI 评分5353 Echoverse：用可演化的深度环境训练计算机使用智能体
微软研究院构建 Echoverse，用十个深度领域世界和两个能力世界训练计算机使用智能体。在全部十二个世界上训练后，Qwen3.5-9B 的平均分从 36.5% 升至 67.1%，距 GPT-5.4 的 80.7% 约十四个百分点。
Google ResearchAI 评分5858 Google Research 提出 SensorFM，用可穿戴数据学习通用生理表征
Google Research 提出大型传感器基础模型 SensorFM，用五百万名同意参与者超过一万亿分钟的无标签多模态可穿戴信号学习可复用生理表征。