阅读

部署后的模型会碰到训练集里根本没有的输入。新产品的专有名词、用户行为的变化、意料之外的格式——这些在离线基准测试里完全隐形，因为基准冻结在过去。AWS 这篇博客的核心论点很直接：没有生产推理数据的记录，团队无法检测漂移、发现失败模式，也无法用真实交互改进模型。SageMaker HyperPod 新增的 Data Capture 功能把每次推理的输入和输出写入 S3，分三个独立层级（端点、负载均衡器、模型 Pod），作者称延迟影响极小且不影响模型可用性。

文章用一个具体场景把闭环走通：一家家电零售商部署了支持工单路由器，用 vLLM 引导 JSON 解码把工单分类到六个产品类别。上线后零售商推出了 Arctis 系列空调，路由器没有这个类别，只能把空调工单塞进 Other 或错误地路由到 ProductFridge。作者用 900 条合成工单模拟上线前后的流量，通过 Tier 3 捕获全部记录到 S3，然后用 Athena 查询发现 Other 类别的占比从上线前的 4.8% 跳到上线后的 36.8%，且词频分析显示 arctis 一词出现 141 次——盲区被精确定位。

定位之后，作者把诊断写成一条 SQL 标注策略：关键词匹配 arctis、air condition、ac unit、mini split 的工单重新标为 ProductAC，其余保持原预测，混合信号的留给人工审核。这条策略从捕获数据中生成了 900 条训练样本，然后在同一集群的第二块 GPU 上用 HyperPod 训练算子跑了 60 秒 LoRA 微调（rank 16，约 2990 万可训练参数），把合并后的模型部署为第二个端点。在 280 条留出评估集上，新类别 ProductAC 的召回率从 0/40 提升到 40/40，五个原有类别没有回退。

但作者自己标注了几处重要限制。第一，模型自报的 confidence 字段不是校准概率：14 条被误路由到 ProductFridge 的空调工单中有 10 条报了 0.9 以上的置信度，说明用置信度做过滤规则会保留大量错误标签。第二，合成数据的评估集和训练集来自同一个生成器，所以 100% 留出准确率反映的是模板一致性而非泛化能力；作者另写了 24 条手工探针测试，微调后得分 20/24，暴露了两个捷径——把cooling等同于空调，以及任何提到 Arctis 的工单都标为 ProductAC（包括库存和价格咨询）。第三，关键词策略只在新类别边界清晰时有效，模糊或重叠类别需要路由到 Ground Truth 人工标注。整篇是厂商自测的合成数据走查，不是独立验证的生产结果。

尽管欧盟自视为全球人工智能监管的先驱，其位于布鲁塞尔和斯特拉斯堡的机构正遭受生成式AI带来的行政冲击。据德国科技媒体heise online援引独立新闻平台Rapporteur的报道，欧盟议会和委员会正被自动生成的内容淹没，导致原本旨在提高效率的工具反而引发了难以通过技术手段解决的组织和民主风险。

欧盟议会秘书长Alessandro Chiocchetti警告称，由生成式AI驱动的修正案、议会质询、请愿书和档案查阅请求数量急剧上升。议会主席Roberta Metsola也表达了担忧，呼吁议员不要将民主责任交给算法，强调AI起草的文件不能取代与同事的真实对话或与选民的直接接触。本周四，议会通过了一项关于AI在行政和民主中应用的决议，新的行政指南即将出台。

实际影响体现在具体的工作流中断上。负责将文件翻译成24种官方语言的口译员发现，议员提交的文本中包含AI产生的“幻觉”，即引用了根本不存在的法律条款。欧盟议会的法律服务部门有时需要花费数天时间专门核实这些由AI生成的虚假主张。此外，有观察人士指出，部分议员利用AI以最小成本制造活动假象，以提升内部排名。

作为应对措施，爱尔兰籍欧洲议会议员Barry Andrews引入了一项内部指令，禁止自己在投票、全体会议演讲、新闻稿和委员会质询中使用AI。值得注意的是，该指令本身透明地标注了其是在AI辅助下创建的。与此同时，瑞典籍议员Jörgen Warborn则持不同观点，他认为AI有助于提高生产力，并指出《工业加速器法案》收到了超过5000项修正案，虽然不应故意用AI压垮系统，但效率提升是受欢迎的。

压力还蔓延至其他机构。一位高级欧盟官员向Rapporteur表示，由于AI生成的低质量投诉，欧洲监察使（European Ombudsman）收到的投诉数量增加了50%，该机构面临陷入文书战的风险。爱沙尼亚AI专家、欧盟委员会顾问Luukas Ilves形容这是自主软件代理造成的“洪水”。尽管欧盟正在开发内部AI工具以分析文档并减少对美国云服务的依赖，但行政惰性使得应对商业巨头投资的挑战变得困难。

旧金山AI初创公司LangChain已筹集3亿美元资金，其估值目前达到30亿美元。据SiliconANGLE援引《华尔街日报》报道，本轮融资由Alphabet Inc.旗下的CapitalG基金领投，IVP、Sapphire Ventures、GIC和DFJ Growth等机构参与投资。

LangChain以其开源框架闻名，该框架旨在简化构建人工智能代理（AI Agents）的工作流程，包括连接大语言模型、集成工具以及添加系统提示词。除了核心的LangChain框架外，该公司还开发了用于多代理协作的LangGraph，以及支持复杂任务处理的Deep Agents。这些工具在开发者社区中拥有广泛采用率，此前披露的数据显示其开源工具每月下载量约为9000万次。

除了开源项目，LangChain通过名为LangSmith的商业套件产生收入。LangSmith提供代理开发、维护、版本管理及可观测性功能，帮助企业在生产环境中调试和优化AI代理。Autodesk、Cisco Systems等科技公司已被列为该商业产品的客户。

获得新资金后，LangChain计划将员工人数从目前的水平几乎翻倍至850人，预计到2027年底实现这一目标。招聘重点将集中在基础设施专家、AI工程师以及销售和市场人员上，以支持其商业化产品的进一步推广和技术迭代。

非营利研究机构艾伦人工智能研究所（Ai2）联合卡内基梅隆大学、英伟达和约翰霍普金斯大学的研究人员发布了XYBench，这是一个包含超过8000个问题的新基准，旨在测试AI助手如何应对基于误解的用户请求。该基准针对的是“XY问题”：用户想要实现目标X，却假设方法Y有效，因此询问关于Y的帮助，而忽略了真正的问题所在。例如，用户询问如何让糖霜不滑落，但实际原因是杯子蛋糕太热无法涂抹糖霜。

研究团队评估了Claude Sonnet 4.6、GPT-5、Gemini 3.1 Pro、Qwen3.5-9B和DeepSeek-V4 Pro等模型。结果显示，这些模型虽然经常提供解决方案，但往往将回答重点放在用户原本错误的请求上，而不是引导用户关注其潜在目标。与人类参考答案相比，所有五个模型都不太可能将用户从错误的方法中引开并提供适合其目标的解决方案。

XYBench通过三个维度衡量模型响应：语用解决方案（是否同时解决了表面请求和潜在目标）、语用强调（回答的重点是表面请求还是潜在目标）以及误解识别（是否劝阻错误方法并引导至正确目标）。实验表明，即使明确告知用户潜在目标，模型在误解识别方面的表现仍低于人类，且有时反而下降，这表明检测意图只是挑战的一部分，模型还需要在意图与字面请求分歧时采取行动。

该基准已获EMNLP 2026最佳资源论文奖。数据、代码和论文已公开，供研究人员评估提示工程或训练改进是否能帮助模型更好地识别误解并提供更有效的替代方案。

人形机器人研究者面临一个看似简单实则棘手的问题：人类演示捕捉了自然运动的协调和节奏，但机器人无法直接复制相同的关节运动，因为它的肢体比例、关节结构和活动范围都不同。NVIDIA 高级产品经理 John Malaska 在技术博客中详细解释了开源工具 SOMA Retargeter 的适配管线，说明这条管线由哪几个阶段组成、每个阶段处理什么冲突，以及配置选项如何影响最终输出。

管线分三个阶段。第一阶段是缩放：将人类骨骼上的运动目标按比例映射到目标机器人的尺寸。第二阶段是逆运动学求解：使用基于 NVIDIA Warp 构建的 Newton 物理引擎，为每一帧找到一组关节角度，使机器人尽可能接近缩放后的目标位置。第三阶段是后处理修正，最典型的是脚部着地修正——检测接触区间并调整脚部轨迹，消除滑步伪影。这三个阶段各自处理不同层面的问题：缩放解决尺寸差异，逆运动学解决关节可达性约束，后处理修正解决接触一致性。

Malaska 用一段单手挥手的源动作说明了参考姿态对齐的作用：如果 Booster T1 的参考姿态没有与 SOMA 人体参考对齐，机器人会两只手臂都向外伸展；对齐之后，一只手在头侧挥动，另一只手臂自然垂在身侧。输入动作和 IK 参数完全相同，唯一变量是参考姿态的对齐。这个例子隔离了姿态映射这一变量的效果，说明缩放解决尺寸差异，但姿态映射错误会让机器人做出语义上不对的动作。

当机器人无法同时满足所有身体部位的目标时，IK 权重决定哪些部位优先。SOMA Retargeter 提供了一个实验性的 IK 权重优化器，用一小段代表目标任务的动作来自动调整权重——它反复重定向这些动作，检查机器人跟随目标的紧密程度和运动平滑度，将选定的权重保存为新配置。Malaska 建议先用有代表性的动作调好配置，再通过无头批量重定向处理更大的动作集合。

输出是 CSV 文件，包含机器人每帧的根位置、朝向和关节角度。这些轨迹可以转换为 SONIC 或 ProtoMotions 的运动库格式，供强化学习策略训练使用。训练时，策略学习如何将重定向参考转化为实际控制动作；仿真阶段评估平衡、地面接触、执行器极限和跟踪精度。

需要指出的是，这篇博客是 NVIDIA 产品负责人对自身支持工具的第一方描述。它解释了管线的设计逻辑和配置选项，但没有提供独立第三方对重定向输出质量的量化评估，也没有与其他重定向工具进行对比。SOMA Retargeter 是开源的，其配置文件和参考结果可以在 GitHub 仓库中检查，但管线本身的输出质量——例如重定向后的动作在物理仿真中的跟踪误差——仍需要使用者在自己的机器人和任务上验证。

据Tom's Hardware报道，马来西亚和新加坡正加强对人工智能硬件出口的审查，以应对规避美国对华出口限制的行为。马来西亚投资、贸易和工业部正在调查新加坡公司Megaspeed的马来西亚子公司Speedmatrix，核实其进口用于本地数据中心的AI处理器和服务器是否被重新出口至其他国家。尽管调查已持续数月，当局尚未确定是否存在此类转运行为或是否违反马来西亚法律。马来西亚于2025年7月引入了对先进美国开发AI加速器出口、过境和转运的限制，要求企业获得相应许可。

与此同时，新加坡当局已对Shi Bingzhe提起41项刑事指控。这位34岁的中国公民曾担任Superphi董事和NJ Global Financial首席运营官。检方称，这两家公司在2024年5月至2025年2月期间通过41笔交易从Aperia International购买了917台含有受限Nvidia硬件的服务器，且公司有理由认为这些服务器与犯罪活动有关。目前案件涉及五名个人和六家公司，Shi若定罪将面临最高10年监禁及每项指控50万新元的罚款。

作为回应，Megaspeed于11月12日宣布已聘请一家美国律师事务所对其AI GPU进行全面库存盘点，并独立评估其对美国出口管制法规的合规性。该公司确认曾配合美国商务部工业和安全局（BIS）的检查，并表示愿意配合其他美国政府机构。Megaspeed首席执行官James Tan Yong Pong强调合规与透明是公司优先事项，但未披露GPU数量、型号或BIS检查的具体发现。

这两起事件凸显了马来西亚和新加坡在受限AI硬件供应链中的关键地位。虽然目前尚无证据表明硬件最终流入中国，但执法行动展示了各国政府在跨国供应链中执行出口限制的困难与决心。