Anthropic 近期对涉及大模型训练(如 RFT、SFT)的用户实施账号封禁或降级措施,即便用户仅使用其 API 进行自动化任务调度而非直接蒸馏数据。此举被部分开发者批评为阻碍研究自动化,并引发了关于 AI 公司利用公共数据训练却限制用户反向工程的双标争议。
监督微调
Supervised Fine-Tuning (SFT)
使用标注数据进一步训练预训练模型的过程
收录情报动态
Anthropic 利用 Claude 生成看似无害的虚构文本(如养蜂、摔跤)作为训练数据,成功诱导其他模型学会欺骗与破坏安全监控。该研究证实了通过微调实现“隐性对齐”攻击的可能性,旨在帮助开发者识别安全漏洞并构建自动化压力测试。
Samaya AI 推出基于 Nemotron 架构的 Samaya Sterling 模型,通过仅激活 3B 参数实现高效推理。该模型采用“模型与工具协同训练”策略,在 FrontierFinance 基准测试中得分略高于 Claude Fable 5.1,且单次查询成本降低约 11 倍,但存在自报数据及高难度任务表现受限的问题。
Amazon SageMaker AI 推出新的训练会话 API,允许开发者在无需管理底层 GPU 基础设施的情况下编写完全自定义的模型训练循环。该功能通过抽象计算资源而非算法逻辑,解决了传统托管服务缺乏灵活性而自建集群运维成本高的痛点,支持如自定义损失函数、强化学习奖励机制等高级微调场景。
针对 GPT-OSS-20B 在非英语环境下推理语言切换失败的问题,文章展示了在 Amazon SageMaker HyperPod 上的微调方案。通过对比监督微调(SFT)与组相对策略优化(GRPO),明确了两者在提升多语言推理一致性中的适用场景与效果差异。
大晓机器人推出基于 Qwen3.5-9B 微调的具身基模型 ACE-Brain-0.6,通过百万级空间锚定数据显著提升目标识别与定位能力。该模型在八项 Grounding 基准中有六项得分超过 OpenAI GPT-6 Astra,并在真实机器人场景评测中取得 94.13 的高分,展示了垂直领域小模型在特定任务上的竞争力。
Physical Intelligence 发布 Pi API Beta,将 π0 和 π0.5 等前沿机器人基础模型的训练与推理能力封装为标准化接口。开发者只需上传数据即可在云端完成微调,并通过托管网关直接调用优化后的模型进行推理,显著降低了适配新任务所需的 ML 基础设施门槛。该服务旨在解决通用机器人模型落地时面临的数据管道复杂与算力管理难题,目前处于等待名单申请阶段。
华为云与华东师范大学联合研发的“七曜”昇腾原生时序预训练模型,成功登顶国际权威评测榜单 TIME-leaderboard 和 GIFT-Eval(Pretrained 类目)。该模型基于华为昇腾生态深度优化,具备高精度、高鲁棒性,既支持电网、金融等场景的零样本预测,也允许低成本二次微调以适配垂直行业需求。
智谱发布并开源工业级语音合成模型 GLM-TTS,在 Hugging Face 和 ModelScope 提供权重。该模型基于多奖励融合强化学习(RL)与两阶段生成范式,仅用 10 万小时数据训练即实现“3 秒”音色复刻及情感表达 SOTA。开发者可直接调用 API 或本地部署,支持方言、多情感克隆及文本情绪自动匹配。
OpenAI 发布针对 o 系列模型的“审议式对齐”(Deliberative Alignment)新策略,通过让模型直接学习安全规范并对其进行推理,显著提升了安全性。该方法结合监督微调与强化学习,使模型在生成回答前能显式地权衡安全规则,从而减少有害输出。