全部來源 X AI 快報 HN 深度讀 GitHub 趨勢 AI 產業日報 「產業與產品 」找到 443 筆不同情報 第 21／23 頁
NVIDIA AI @NVIDIAAI
Lila Sciences 稱正在用 NVIDIA Nemotron 3.5 Lightning 建構 scientific superintelligence
完整摘要與判讀 Lila Sciences 稱正在用 NVIDIA Nemotron 3.5 Lightning 建構 scientific superintelligence，並連到 NVIDIA 部落格說明 Nemotron 3.5 Lightning 與 NeMo Switchyard。貼文中的部落格摘要指出，這是輕量開放模型加上 routing library 的組合，目標是在邊緣裝置、PC、工作站、資料中心與雲端之間，提供對 AI、資料與工作流程更高的控制。這筆證據沒有提供 Lila Sciences 實際科學任務表現或評測結果。
一龍馬判讀 這代表 NVIDIA 不只推單一模型，也在包裝模型路由與跨硬體部署的完整 agent 架構。科學應用團隊應把它視為平台方向訊號，而不是已被證明能提升科學推理能力的公開結果。
比對原文節錄
Lila Sciences (@LilaSciences) We're building scientific superintelligence with @nvidia 's Nemotron 3.5 Lightning.
NVIDIA AI @NVIDIAAI
其結果宣稱，在 held-out LAB tasks 上 agent 表現從 0% 提升到 8.3%，勝過 Opus 4.6 與更大的 post-trained Nemotron 3 Ultra
完整摘要與判讀 Harvey 表示，與 Trajectory Labs 合作在 Legal Agent Bench 上對 Nemotron 3.5 Lightning 做後訓練。其結果宣稱，在 held-out LAB tasks 上 agent 表現從 0% 提升到 8.3%，勝過 Opus 4.6 與更大的 post-trained Nemotron 3 Ultra；同時九個法律實務領域都有改善且無退步。貼文還稱平均模型輸出從 90k token 降到 37k token，使 reward-per-token 提升 2.4 倍。
一龍馬判讀 法律 AI 團隊會在意的是，後訓練可能同時改善任務成功率與輸出成本，而不只是讓模型更會寫長答案。限制是 8.3% 本身仍低，且 LAB 的任務設計、評分方式與實際法律風險未在貼文中完整揭露。
比對原文節錄
Harvey (@harvey) We post-trained @NVIDIAAI Nemotron 3.5 Lightning on Legal Agent Bench with @trajectorylabs .
NVIDIA AI @NVIDIAAI
AgileRL 說，NVIDIA 提供早期存取的 30B3A parameter MoE Nemotron 3.5 Lightning，在 Arena 上經訓練後
完整摘要與判讀 AgileRL 宣布與 NVIDIA AI 合作，支援 Nemotron 模型後訓練，並稱 Nemotron 開源模型家族可在 Arena 平台上做 fine-tuning。AgileRL 說，NVIDIA 提供早期存取的 30B3A parameter MoE Nemotron 3.5 Lightning，在 Arena 上經訓練後，於一個長程推理挑戰與一個真實客戶支援工作負載上超過 Claude Sonnet 5。貼文還稱，一次使用四張 H100、六小時的訓練，就足以掌握該推理任務，且上下文長度超過 50,000 tokens；但完整結果需看其公告，這裡未列出評分表。
一龍馬判讀 這把 Nemotron 3.5 Lightning 推向「企業用自有資料與自有基礎設施訓練專門 agent」的路線，特別針對銀行、保險、航太與政府等重視資料主權的組織。採用者要注意，貼文同時是平台銷售訊息，所稱超越 Claude Sonnet 5 的任務範圍有限，不能外推到所有客服或推理場景。
比對原文節錄
AgileRL (@AgileRL_Inc) We are proud to announce a collaboration between AgileRL and @NVIDIAAI to support the post-traini…
NVIDIA AI @NVIDIAAI
金融版主打數值推理、研究與財務文件摘要，貼文稱 FinQA execution accuracy 從 15.86% 提升到 59.23%，BizFinBench 從 49.65% 到 57.46%。
完整摘要與判讀 Fastino Labs 與 NVIDIA 合作發布兩個開放權重模型：Fastino-Nemotron-3.5-Lightning-Finance 與 Fastino-Nemotron-3.5-Lightning-Healthcare。金融版主打數值推理、研究與財務文件摘要，貼文稱 FinQA execution accuracy 從 15.86% 提升到 59.23%，BizFinBench 從 49.65% 到 57.46%。醫療版主打臨床對話品質、病歷與出院文件摘要、非結構化文字中的醫療概念擷取，並稱 HealthAdminBench 從 25.67% 到 29.95%、MedCalc-Bench 從 49.09% 到 54.18%，MEDEC flag accuracy 提升 11.32 點；兩個模型已在 Hugging Face 以 Apache 2.0 授權釋出，Fastino Fine-Tuning Agent 則是 private preview。
一龍馬判讀 這是把 Nemotron 3.5 Lightning 直接做成金融與醫療垂直模型的案例，對需要開放權重與可自管部署的團隊比單純 API 更有操作空間。醫療與金融都屬高風險領域，貼文中的 benchmark 提升不能取代法遵、臨床安全與資料治理驗證。
比對原文節錄
Fastino Labs (@fastinoAI) In collaboration with @nvidia we're releasing two new open weight models: Fastino-Nemotron-3.5…
NVIDIA AI @NVIDIAAI
Dream 表示已提前取得模型，並投入監督式微調、後訓練、領域調適、資安推理與工具使用，強化自家的資安對話式 agent 模型。
完整摘要與判讀 NVIDIA AI 轉貼 Dream Security 對 Nemotron 3.5 的採用案例，稱這款新開放模型面向 agentic AI 系統中的高速、大量執行任務。Dream 表示已提前取得模型，並投入監督式微調、後訓練、領域調適、資安推理與工具使用，強化自家的資安對話式 agent 模型。貼文提到其內部資安基準測試表現強，但沒有公開測試方法或可外部驗證的數字。
一龍馬判讀 這把開放權重模型推向資安營運場景，尤其是大量安全資料整理、風險調查與姿態分析；資安團隊可留意成本與部署彈性，但目前證據仍停留在廠商內部評測。
比對原文節錄
Dream Security (@DreamGroupAI) Today, @nvidia launched Nemotron 3.5 , its new open model built for fast, high-volume exe…
NVIDIA AI @NVIDIAAI
CrowdStrike 表示已為資安 agent 工作流程客製化 NVIDIA Nemotron 3.5 Lightning，主張可達到「分析師等級」準確度，同時訓練更快、運算需求顯著降低。
完整摘要與判讀 CrowdStrike 表示已為資安 agent 工作流程客製化 NVIDIA Nemotron 3.5 Lightning，主張可達到「分析師等級」準確度，同時訓練更快、運算需求顯著降低。最具體的說法是可協助自動關閉最多 88% 的良性偵測，讓安全團隊把時間放在真正威脅上。貼文未提供基準資料、測試集或與現有系統的誤判率比較。
一龍馬判讀 若這類模型能可靠過濾良性警報，SOC 的人力配置會被改寫；但自動關閉警報牽涉漏報風險，導入者需要要求可稽核的評測與回滾機制。
比對原文節錄
CrowdStrike (@CrowdStrike) We’re excited to see the latest NVIDIA Nemotron model and continue pushing the boundaries of…
AMD @AMD
AMD 的貼文把焦點放在 agentic AI 對基礎設施的運算需求變化
完整摘要與判讀 AMD 的貼文把焦點放在 agentic AI 對基礎設施的運算需求變化，並預告其主管 Madhu Ranganathan 在影片中討論 CPU、GPU 工作負載、並行性、tokenomics 與開放運算產品組合。核心主張是 AI agent 沒有單一硬體配置能通吃，部署時要依工作型態拆解。來源是宣傳影片貼文，沒有提供新產品規格或效能數字。
一龍馬判讀 企業規劃 AI 伺服器時，不能只用模型大小或 GPU 數量估算成本，還要看工具呼叫、並行請求與 token 消耗；硬體採購與平台團隊需避免被單一架構綁死。
比對原文節錄
Agentic AI is changing the compute requirements behind AI infrastructure.
NVIDIA AI @NVIDIAAI
貼文列出的示範內容包括引用 80 多個網站、執行程式碼，以及搜尋 10 個真實世界地點，並提供 GGUF、指南與 Unsloth Desktop 執行／訓練路徑。
完整摘要與判讀 Unsloth AI 宣稱 2-bit 量化版 NVIDIA Nemotron 3.5 Lightning 可在 22GB VRAM 上連續執行工具呼叫 10 分鐘。貼文列出的示範內容包括引用 80 多個網站、執行程式碼，以及搜尋 10 個真實世界地點，並提供 GGUF、指南與 Unsloth Desktop 執行／訓練路徑。這是單一示範與工具鏈發布資訊，尚不能推論一般任務的穩定性或準確率。
一龍馬判讀 22GB VRAM 門檻若可重現，會讓更多工作站級硬體能跑 agent 模型；但 2-bit 量化可能影響推理品質，開發者仍需用自己的任務測試。
比對原文節錄
Unsloth AI (@UnslothAI) 2-bit NVIDIA Nemotron 3.5 Lightning ran tool calls nonstop for 10 minutes on just 22GB of VRAM.
DeepLearning.AI @DeepLearningAI
DeepLearning.AI 與 JetBrains 推出免費短課，主題是把 AI coding agent 的預設選項變成可控決策：模型在哪裡跑、使用者付多少錢、哪些資料會離開本機。
完整摘要與判讀 DeepLearning.AI 與 JetBrains 推出免費短課，主題是把 AI coding agent 的預設選項變成可控決策：模型在哪裡跑、使用者付多少錢、哪些資料會離開本機。課程設計是用同一個 app 分別在雲端、混合與完全本機環境重建，並練習把工作拆給 subagents、把例行任務交給較便宜模型。這不是新工具發布，而是針對 AI coding 工作流與部署取捨的教學。
一龍馬判讀 開發團隊若只沿用工具預設，可能在成本、資料外流與延遲上失去控制；這類課程反映 AI coding 已從「能不能寫」走向「怎麼治理與分工」。
比對原文節錄
Your AI coding agent comes with defaults: which model runs, what you pay, and what leaves your machine.
NVIDIA AI @NVIDIAAI
Uniphore 表示已用真實企業 agentic 工作負載測試 NVIDIA Nemotron 3.5 Lightning，並聲稱在相同參數量下，吞吐量達 Gemma 4 31B IT 的 5 倍。
完整摘要與判讀 Uniphore 表示已用真實企業 agentic 工作負載測試 NVIDIA Nemotron 3.5 Lightning，並聲稱在相同參數量下，吞吐量達 Gemma 4 31B IT 的 5 倍。貼文也說準確度提升使 Nemotron 3.5 Lightning 進入 Uniphore Business AI Cloud 高流量路徑的評估。來源未交代測試任務、硬體、延遲條件或準確度指標。
一龍馬判讀 高流量企業 agent 若能用較高吞吐量處理，雲端服務成本與延遲會直接受影響；但採購或架構決策前，需取得可重跑的 benchmark 與自身資料測試。
比對原文節錄
Uniphore (@uniphore) We tested @NVIDIAAI 's Nemotron 3.5 Lightning against real enterprise agentic workloads & found: 5x…
NVIDIA AI @NVIDIAAI
貼文也透露 Deep Cogito 是 NVIDIA post-training partner ecosystem 的一員。
完整摘要與判讀 Deep Cogito 祝賀 NVIDIA 推出 Nemotron 3.5 Lightning，並強調自己相信 open weight、可客製化模型會讓前沿智慧更容易取得與實用。貼文也透露 Deep Cogito 是 NVIDIA post-training partner ecosystem 的一員。這則內容偏向生態系背書，沒有提供模型能力、訓練方法或產品整合細節。
一龍馬判讀 NVIDIA 正把 Nemotron 3.5 Lightning 包裝成可被新創後訓練與客製化的模型平台；對新創來說是取得模型與硬體生態支援的機會，但技術成效仍需看後續實測。
比對原文節錄
Deep Cogito (@DeepCogito) Excited to see @NVIDIAAI continue pushing the open model ecosystem forward with Nemotron 3.5 L…
NVIDIA AI @NVIDIAAI
NVIDIA AI 轉發 distil labs 對 Nemotron 3.5 Lightning 的測試結果：作為歐洲少數首發合作夥伴之一
完整摘要與判讀 NVIDIA AI 轉發 distil labs 對 Nemotron 3.5 Lightning 的測試結果：作為歐洲少數首發合作夥伴之一，distil labs 將它與 4 個可比的 MoE 模型放在 6 項任務上比較。貼文主張，在只用提示詞時它排名第三，經微調後排名第一，並表示完整數字與失分專案在原文部落格中。可判讀的範圍是合作夥伴自述的基準結果，來源未提供各任務細節與評測設定。
一龍馬判讀 這把 Nemotron 3.5 Lightning 的賣點從通用提示能力轉向「微調後的任務表現」，對正在評估開放模型客製化的企業與模型團隊有參考價值；但若沒有評測資料集、成本與重現方式，不能直接推論到自家場景。
比對原文節錄
distil labs (@distil_labs) Nemotron 3.5 Lightning from @NVIDIAAI is out.
NVIDIA AI @NVIDIAAI
Trajectory 表示已取得 NVIDIA Nemotron 3.5 Lightning 早期存取，並在 Harvey LAB 上做 post-training
完整摘要與判讀 Trajectory 表示已取得 NVIDIA Nemotron 3.5 Lightning 早期存取，並在 Harvey LAB 上做 post-training，主張透過 Trajectory 平台一鍵完成、無需新增工程。貼文的核心論點是，小模型讓再訓練迴圈可能從數週一次縮短到每晚、甚至按客戶或案件細分。它給出的結果是從 0% 到 8.3%，並稱高於 Opus 4.6 的 6.6%，但未在貼文中說明該指標的定義或測試集。
一龍馬判讀 若這類流程成立，法律、顧問與企業服務供應商會更容易為每個客戶維護專屬模型；限制是貼文缺少任務定義與驗證方式，8.3% 不能被解讀成一般能力全面勝出。
比對原文節錄
Trajectory (@trajectorylabs) Continual learning is a bet that the retraining loop will get cheaper over time.
NVIDIA AI @NVIDIAAI
Reasonable 宣稱用 NVIDIA 的 30B 開放權重 Nemotron 3.5 Lightning，經 4B tokens 合成 Verus 資料微調後
完整摘要與判讀 Reasonable 宣稱用 NVIDIA 的 30B 開放權重 Nemotron 3.5 Lightning，經 4B tokens 合成 Verus 資料微調後，可撰寫機器檢查的 Rust/Verus 證明。貼文稱它在單次嘗試通過率上擊敗約 50 倍大小的模型，pass@3 則接近該模型，且 token 生成速度快於其測試過的同級開放權重模型。貼文也強調原文分析了形式化證明任務中的失敗模式、作弊行為與微調效果，但具體基準細節需看部落格。
一龍馬判讀 這把開放權重中型模型推向軟體驗證與高可靠程式碼場景，可能降低形式化方法的使用門檻；風險是模型會「看似證明」但實際作弊或失敗，仍需機器檢查與嚴格流程。
比對原文節錄
Reasonable (@ReasonableIO) Smaller, faster, capable: writing machine-checked proofs with a 30B open-weight model We fine…
NVIDIA AI @NVIDIAAI
CodeRabbit 表示與 Baseten 合作，把 NVIDIA Nemotron 3.5 Lightning 微調到 CodeRabbit 的路由決策任務，訓練時間少於 3 小時、成本低於 100 美元。
完整摘要與判讀 CodeRabbit 表示與 Baseten 合作，把 NVIDIA Nemotron 3.5 Lightning 微調到 CodeRabbit 的路由決策任務，訓練時間少於 3 小時、成本低於 100 美元。貼文稱結果相較其先前的 GPT-class 模型，準確率提高約 4%，推論成本降低約 50%。這是針對程式碼審查產品內部路由任務的自述成果，不等同於一般程式碼生成或審查能力全面提升。
一龍馬判讀 對 AI 軟體服務商來說，這提供一個把高成本通用模型替換成專用小模型的商業案例；但數字來自單一公司任務，資料分布改變時可能需要重新評估。
比對原文節錄
In collaboration with Baseten, we fine-tuned NVIDIA Nemotron 3.5 Lightning on CodeRabbit's routing decisions in under th…
Google @Google
貼文主打主動式協助、進階健身追蹤與突破性健康功能，但沒有列出具體感測器、AI 功能清單、上市時間或價格。
完整摘要與判讀 Google 公開 Pixel Watch 5 的第一波預覽，稱其為 Gemini Intelligence 與 Google Health 而設計。貼文主打主動式協助、進階健身追蹤與突破性健康功能，但沒有列出具體感測器、AI 功能清單、上市時間或價格。就目前證據，只能確認 Google 正把 Gemini 包裝成穿戴硬體體驗的一部分。
一龍馬判讀 穿戴裝置的 AI 重點正在從手機延伸到手腕上的健康與日程輔助，Pixel 生態系使用者與健康資料敏感族群需要留意；但在規格與隱私細節未公布前，無法判斷功能是否真的新增或只是品牌整合。
比對原文節錄
Designed for Gemini Intelligence and @GoogleHealth, it helps you stay on top of your day with proactive assistance, adva…
Google @Google
貼文屬於第一眼宣傳，沒有提供晶片、相機規格、端側 AI 能力、價格或上市日期。
完整摘要與判讀 Google 預覽 Pixel 11 系列，主打更精緻且耐用的硬體、新配色、新相機，並稱其為 Gemini Intelligence 而設計。貼文屬於第一眼宣傳，沒有提供晶片、相機規格、端側 AI 能力、價格或上市日期。可確認的是，Google 會繼續把 Pixel 手機定位成 Gemini 功能的主要硬體載體。
一龍馬判讀 手機廠的 AI 競爭正在從單一 App 走向硬體、相機與系統層整合，Pixel 使用者與 Android 開發者需要觀察 Gemini 是否帶來新的預設體驗；但目前資訊不足，不能判斷 Pixel 11 的 AI 是否需要雲端伺服器或能在本機處理。
比對原文節錄
Get your first look at the Pixel 11 family. Refined hardware, made to last. Fresh colors. New cameras. And designed for…
NVIDIA AI @NVIDIAAI
這則貼文是 NVIDIA AI 轉述 Thoughtworks 的公開說法，證據範圍限於合作方的早期試用心得，未提供基準測試數字或完整技術細節。
完整摘要與判讀 Thoughtworks 表示已提前測試 NVIDIA 新推出的 Nemotron 3.5 Lightning，初步評價是速度快，且具備高度客製化與可控性。這則貼文是 NVIDIA AI 轉述 Thoughtworks 的公開說法，證據範圍限於合作方的早期試用心得，未提供基準測試數字或完整技術細節。
一龍馬判讀 若 Nemotron 3.5 Lightning 的低延遲與可控性在實測中成立，企業導入生成式 AI 時會有更多可調整的模型選項；但目前仍需等待獨立評測與具體部署成本資料。
比對原文節錄
Thoughtworks (@thoughtworks) Congrats to @nvidia on the launch of Nemotron 3.5 Lightning.
NVIDIA AI @NVIDIAAI
貼文把它定位在延遲與成本敏感的工作負載，但沒有說明完整模型大小、授權條件或實際價格。
完整摘要與判讀 Tinker 宣布 NVIDIA Nemotron 3.5 Lightning 已可在其平台使用，並稱此模型只有 3B active parameters，針對吞吐速度最佳化。貼文把它定位在延遲與成本敏感的工作負載，但沒有說明完整模型大小、授權條件或實際價格。
一龍馬判讀 這讓需要快速推論的開發者與產品團隊多了一個可直接測試的模型管道；限制是目前資訊主要來自平台與供應商宣傳，仍要用自己的資料與流量型態驗證成本效益。
比對原文節錄
Tinker (@tinkerapi) Nemotron 3.5 Lightning from @NVIDIAAI is out today and available on Tinker.
NVIDIA @NVIDIA
貼文稱這項排名根據 NVIDIA 員工回饋而來，但沒有提供評分方法、樣本數或與其他企業的比較細節。
完整摘要與判讀 NVIDIA 表示，創辦人暨執行長黃仁勳被 Glassdoor 評為 2026 Best CEOs 第 1 名。貼文稱這項排名根據 NVIDIA 員工回饋而來，但沒有提供評分方法、樣本數或與其他企業的比較細節。
一龍馬判讀 對投資人、求職者與合作夥伴來說，這是 NVIDIA 內部士氣與領導形象的一個外部訊號；但它不能直接推論公司營運表現或 AI 產品競爭力。
比對原文節錄
We’re honored that Glassdoor has named our founder and CEO, @JensenHuang , No.
