所有文章 · SURL AI News

TinyDiT 公開單卡訓練配方：210M 影像模型以 register 吸收九成跨注意力

TinyDiT 用單張 RTX PRO 6000、400,000 步及 3.5 天從頭訓練 210M 參數 DiT，並公開程式、權重與逐階段量測。結果顯示 flow-matching loss 幾乎不能代表成像進展，而 register、時間步偏移及編譯訓練帶來更可操作的訊號。

新版 `ExternalMessage` 可把工具、其他代理或應用事件送入已在執行的 Codex 回合，同時標記為低於使用者與開發者指令的 tool-level authority。它也加入歷史載入與逐回合服務層級控制，但升級涉及事件串流及 hook 結構的相容性變更。

T1 在每個 token 記錄並重播 MoE 專家選擇，避免 rollout 與訓練端因數值差異走向不同子網路。公開權重可自行部署，但基準與競品比較仍主要來自團隊自評。

GitHub 把最低成本的 Lite review 改成多代理集成，官方實驗中高嚴重度意見的採納數增加 47%。審查代理如今也能執行 shell 工具，因此 runner 隔離、提示注入與自動結案紀錄變得更重要。

Together AI 將開源 CUDA 核心框架移植至 NVIDIA Vera Rubin，重新安排資料重用與記憶體管線。16K 方形矩陣測試達 22.24 PFLOPS，但數字來自資格樣品與尚未成熟的 CUDA 13.4。

新版以同一套 WebSocket 執行層服務 MiniCPM‑o 4.5、PersonaPlex 與 Nemotron VoiceChat，並加入 diffusion batching、平行化和元件卸載。它目前仍是預發行版，部分端點會靜默退回輪替式語音，不能只憑連線成功判定為全雙工。

公開測試版代管工作階段、上下文壓縮、工具協調與子代理分工，讓開發者不必自行維護代理迴圈。執行環境可選 OpenAI 沙箱、自有基礎設施或合作供應商，但版本、權限與用量成本仍須個別控制。

GitHub 新增組織與儲存庫層級 REST API，讓安全團隊能以程式批次部署 PR 的 AI 弱點掃描。掃描可補足 CodeQL 未覆蓋的語言與框架，但結果目前僅屬建議、消耗 AI credits，也不能納入 ruleset 作為合併門檻。

ARCHE 將文獻檢索、競爭假設、電子結構計算與反思審查放進可恢復的閉迴路，並公開 65 種動作及三個案例資料。儲存資料與論文數字已有差異，專用模型權重、訓練資料及部分化學證據也未隨程式釋出。

Wiz 掃描 3,074 個公開 LiteLLM 實例，發現 294 個接受 `sk-1234` 或完全沒有驗證，其中 191 個未設定認證。新揭露的實地量測顯示，舊版 MCP 驗證繞過、可執行 Python 的 guardrail 與雲端中繼資料存取可被串成跨層攻擊路徑。

NVIDIA 公開兩個 Nemotron 3 Ultra 數學專家權重、訓練資料與可恢復的自然語言證明管線，正式成績為 30／42 分。結果也暴露模型驗證器的共同盲點：內部評分高估兩題，且高精確率是以大量誤拒與運算成本換得。

新開源框架用預測式路由提前載入下一步專家，並以 Recover-LoRA 補償 int4 量化損失，讓 23GB checkpoint 不必整體常駐記憶體。官方在 M4 Pro 測得 14.9 至 17.7 token／秒，但目前僅支援 Apple Silicon，記憶體與品質數據也尚無獨立重現。