追踪 AI 更新，查看事件时间线和原始信源；需要做购买决策时，再去比价。
当前公开精选集合，保留来源更正和撤回。最后同步：
研究发现Transformer模型的残差流中存在“特权基向量”现象，即某些坐标方向持续出现异常大的激活值，这与“无特权基”的理论预期相悖。通过实验，研究者将根源指向Adam优化器中的逐维度归一化器，而非层归一化或浮点精度问题。在2亿参数模型中，典型层有20至60个维度的激活绝对值超过6。研究还提出使用峰度作为检测指标，发现激活分布峰度普遍大于3，进一步证实了基向量对称性被破坏。
AIHOT 精选理由揭示Transformer内部基依赖性的根源，帮助研究者改进模型可解释性。
OpenAI 发布 GPT-4，称其为扩展深度学习的最新里程碑。GPT-4 是接受图像和文本输入、输出文本的大型多模态模型，在多项专业和学术基准上达到人类水平表现，但在许多现实场景中仍不及人类。
AIHOT 精选理由官方原文明确了 GPT-4 的多模态输入形态和基准表现定位，可作为了解该模型能力边界的直接信源。
OpenAI 发布 GPT-4。官方介绍其可生成、编辑并与用户迭代创意和技术写作任务，如创作歌曲、编写剧本或学习用户的写作风格。
AIHOT 精选理由OpenAI 官方介绍 GPT-4 在创意与技术写作上可与用户迭代协作，适合关注其文本能力边界的读者。
Hugging Face 发布博客，讲解如何在 24GB 消费级 GPU 上用 RLHF 微调 20B 参数大语言模型，文中涉及 TRL 与 PEFT（见原文链接 https://huggingface.co/blog/trl-peft）。正文抓取失败，仅标题可用，更多细节以原文为准。
Hugging Face 发布博客，介绍 ControlNet 在 Diffusers 库中的支持。
OpenAI 为 ChatGPT 推出试点订阅计划 ChatGPT Plus。ChatGPT 是一款对话式 AI，可与用户聊天、回答追问并纠正错误假设。
AIHOT 精选理由OpenAI 官方宣布订阅计划，读者可以据此了解 ChatGPT 的商业化入口。
Hugging Face 发布系列教程第一篇，讲解如何用 Stable Diffusion 为 Unity 农场游戏确定美术风格。文章涵盖用 Automatic1111 WebUI 本地部署或在线运行的方法、借助 lexica.art 优化提示词的技巧，以及用概念图指导 Unity 场景搭建、材质、灯光和后期处理的完整流程。
AIHOT 精选理由系列第一篇给出用 Stable Diffusion 生成美术概念图并落地到 Unity 场景的完整步骤，方法可直接迁移到游戏开发流程。
Hugging Face 发布教程，讲解如何用 🤗 transformers 运行 CLIPSeg 实现零样本图像分割。
AIHOT 精选理由教程结合示例代码讲解 CLIPSeg 的文本与图像提示用法，还给出粗标注后在 Segments.ai 精修的可迁移流程。
Hugging Face 发布长文图解 RLHF，将其拆为预训练语言模型、训练奖励模型、用 PPO 强化学习微调三个核心步骤，并解释 KL 惩罚如何防止策略偏离初始模型产生胡言乱语。文章还盘点 TRL、TRLX、RL4LMs 等开源工具，指出人类偏好数据成本高、标注不一致以及 PPO 之外优化器等仍待探索的方向。
AIHOT 精选理由原文系统拆解 RLHF 三阶段流程与 KL 惩罚等细节，并盘点开源工具与局限，适合作为理解该技术的入门框架。
Hugging Face 与 Apple 合作，将 Stable Diffusion v1.4、v1.5、v2 base、v2.1 base 转换为 Core ML 版本并发布在 Hugging Face Hub，可在 Apple Silicon 的 CPU、GPU 和 Neural Engine 上运行。
AIHOT 精选理由Hugging Face 官方整理了 Core ML 版 Stable Diffusion 的下载、Python 与 Swift 推理方法，读者可按机型选变体并迁移到自定义模型。
Hugging Face 发布教程，讲解如何用其 Transformers 库的 Time Series Transformer 从零训练单变量概率时间序列预测模型，涵盖 GluonTS 数据转换、DataLoader 构建、40 个 epoch 的训练及 generate() 自回归推理。
AIHOT 精选理由教程展示了完整的代码训练流程，并在 Monash 基准上给出可对照的 MASE 结果，便于读者迁移到自己的时间序列数据。
OpenAI 训练了名为 ChatGPT 的模型，能以对话方式交互。对话格式让 ChatGPT 可以回答追问、承认错误、质疑错误前提并拒绝不当请求。
AIHOT 精选理由OpenAI 官方首次介绍 ChatGPT，说明对话式交互在追问、纠错和拒答上的设计意图，可作为理解该产品起点的一手材料。
Hugging Face 发布 Document AI 指南，梳理 OCR、文档图像分类、版面分析、文档解析、表格识别和 DocVQA 六大用例及对应开源模型与指标。
AIHOT 精选理由原文系统梳理了 Document AI 六类用例及对应开源模型、指标与许可证，团队可直接按图索骥选型并自建方案。
Hugging Face 发布教程，基于多组实验总结用 Dreambooth 微调 Stable Diffusion 的推荐设置，并提示 🧨 Diffusers 提供官方训练脚本。
AIHOT 精选理由原文基于多组实验给出 Dreambooth 微调 Stable Diffusion 的超参数建议，可帮助读者降低过拟合并提升生成质量。
AIHOT 精选理由OpenAI 官方开放 DALL·E API 公测，开发者可以直接据此评估是否将图像生成接入自己的应用。
Hugging Face 发布使用 🤗 Transformers 对 Whisper 进行多语言语音识别（ASR）微调的分步教程。
AIHOT 精选理由完整给出从数据准备到训练和 Gradio 演示的代码流程，仅用 8 小时印地语数据把 WER 从 63.5% 降到 32%，方法可直接迁移到其他语言。
Hugging Face 发布教程，以 MNIST 训练示例讲解三种抽象层级的分布式数据并行训练：PyTorch 原生 torch.distributed 与 DDP、Accelerate 的轻量封装、Transformers 的 Trainer API。
AIHOT 精选理由教程用同一个 MNIST 示例逐级展示三种分布式训练写法，读者可以按抽象层级选择适合自己项目的方案。
Hugging Face 发布 MTEB（Massive Text Embedding Benchmark），用于衡量文本嵌入模型在多类任务上的表现，排行榜已汇总超过 2000 条结果。
AIHOT 精选理由原文给出 56 个数据集、8 类任务、112 种语言的嵌入模型评测结果和模型选择分组，可用于按任务挑合适的嵌入模型。
Hugging Face Diffusers 自 0.5.1 版本起支持 Flax，官方博客教程演示如何用 JAX/Flax 在 Google TPU 上运行 Stable Diffusion 推理。
AIHOT 精选理由Hugging Face 官方教程，演示在 TPU 上用 JAX/Flax 跑 Stable Diffusion，8 卡并行约 7 秒生成 8 张图，可直接复现。
OpenAI 宣布 DALL·E 取消候补名单，新用户可以立即开始生成图像。官方表示这一更广泛的开放来自部署中积累的经验和安全系统的改进。
AIHOT 精选理由原文说明开放注册的前提来自部署经验与安全系统改进，读者可以据此理解其放开访问的背景。
