autofinetune 项目推出了一套全自动大模型后训练研究闭环，涵盖监督微调（SFT）和基于 GRPO 的强化学习。开发者只需在单个 Markdown 文档中设定边界条件与评估指标，AI Agent 便能自主修改训练脚本、发起实验，并将验证有效的超参数优化自动提交至 Git。该项目基于 Google 的 Tunix、Gemma 和 Cloud TPU 技术栈构建，消除了繁琐的人工微调过程，已在函数调用与数学推理任务中验证了无人工干预的性能提升。
近期后训练已成为大模型领域备受瞩目的核心议题。有企业推出低门槛的后训练服务，旨在通过两周一次的高频迭代节奏以及1000美元起的亲民价格，推动后训练技术向更广泛的开发者普及，实现“人人可用”。由于当前所获素材信息较为有限，关于该公司的具体技术路线、优化机制以及完整商业服务形态等细节，仍有待进一步披露。
针对结构化生物医学数据分析，表格基座模型展现出巨大潜力，其中TabPFN在小样本表格分类任务中表现尤为突出。然而，优化和预条件策略对生物医学场景微调的影响尚缺乏研究。本文对TabPFN v2.5展开系统性实证评估，在涵盖阿尔茨海默病、乳腺癌、精神分裂症等疾病及KEEL库的59个生物医学数据集上，测试了五种基于AdamW的预条件策略，为优化生物医学表格基座模型微调提供了实验参考。