34 Amazon Research Awards Build on Trainium recipients announced
TL;DR · AI 摘要
亚马逊宣布34个Build on Trainium项目获奖，提供1.1亿美元信用额度支持30所大学的AI研究，聚焦负责任的人工智能。
核心要点
- AWS Trainium提供高达1.1亿美元的计算信用额度支持AI研究
- 研究重点包括多语言模型、AI安全性和小语言模型优化
- 获奖团队可使用700+亚马逊公开数据集和AWS AI工具
结构提纲
按章节快速跳转。
思维导图
用一张图看清主题之间的关系。
查看大纲文本（无障碍 / 无 JS 友好）
- Build on Trainium项目
- 项目资源
- 1.1亿美元信用额度
- 700+数据集
- 研究领域
- AI安全性
- 多语言模型
- 小语言模型
- 合作机制
- 研究联络人支持
- 技术培训
金句 / Highlights
值得收藏与分享的关键句。
Build on Trainium计划为大学提供高达1.1亿美元的计算信用额度
研究团队可使用AWS Trainium芯片进行万亿参数模型研究
项目要求提案需解决AI安全性和多语言模型等关键问题
34个Amazon研究奖Build on Trainium获奖者公布 - Amazon Science
来自30所大学的研究人员获得Build on Trainium奖项，以推动AWS Trainium基础设施上的负责任的人工智能发展。
34个Amazon研究奖Build on Trainium获奖者公布
Amazon公布Build on Trainium计划获奖者，该计划提供1.1亿美元信用额度，支持30所大学的人工智能研究。
By
Amazon研究奖团队
2026年8月5日
5分钟阅读
分享
- 复制链接
- 邮件
- X
- 领英
- Line
- QZone
- 新浪微博
- 微信
分享到微信
x
Build on Trainium是AWS上一项价值1.1亿美元的信用计划，专注于人工智能研究和大学教育，旨在支持下一代在AWS Trainium上的创新和发展。该计划为Trainium上的前沿人工智能研究提供计算信用额度，投资于顶尖学术团队，在关键领域（包括新型模型架构、机器学习库、优化、大规模分布式系统等）构建创新成果。
- 0 M信用额度
- 0位获奖者
- 0所大学
本次公告包含2025年秋季Build on Trainium：负责任的人工智能提案征集活动资助的奖项。提案的评审标准包括科学内容的质量及其对研究界和社会的潜在影响。本周期的重点是负责任的人工智能，邀请针对五个优先主题的提案：人工智能安全与对齐、多语言语言模型、表示工程、可持续性与小型语言模型，以及用于合成数据生成的深度学习模型——所有提案均利用AWS Trainium基础设施。获奖者可访问700多个Amazon公开数据集，并通过AWS促销信用额度使用AWS AI/ML服务和工具，每位获奖者都会被分配一名Amazon研究联络人提供咨询和建议，并可利用AWS Trainium资源，如教程和实践课程。
Build on Trainium体现了AWS通过与学术界的合作伙伴关系推动人工智能研究民主化的承诺。
Yida Wang，首席应用科学家
AWS AI首席应用科学家Yida Wang表示：“Build on Trainium为下一代人工智能研究者提供了强大且可扩展的访问权限，使他们能够使用Amazon专为人工智能打造的芯片，唯一的限制是他们的想象力，而不是计算预算。”“借助Build on Trainium的支持，伊利诺伊大学厄巴纳-香槟分校的研究人员正在研究针对大规模专家混合模型的拓扑感知并行化策略，这些模型最多可包含1万亿个参数，并使用多达1024个Trainium芯片。华盛顿大学的研究人员正在开发一个推理优化框架，提高所有使用Trainium的研究人员的令牌效率，目标是实现可在Trainium上进行的便携式高性能大型语言模型推理。”
获奖者
大学
研究题目
Wei Bao
悉尼大学
FACTOR：用于大型语言模型安全性和鲁棒性的联邦对抗协同训练
Viveck Cadambe
佐治亚理工学院
利用公私混合数据生成差分隐私合成数据
Yujun Cai
昆士兰大学
Trainium上的负责任人工智能：可扩展检测和缓解逃避型多模态诈骗内容
Haipeng Chen
威廉与玛丽学院
DELA：可编辑扩散语言模型
Tianlong Chen
北卡罗来纳大学教堂山分校
高效稀疏和量化大语言模型的算法-系统协同设计
Saadia Gabriel
加州大学洛杉矶分校
MANSA：通过高效多模态基础模型实现语音AI的民主化
Haewon Jeong
加州大学圣芭芭拉分校
Haojian Jin
加州大学圣地亚哥分校
通过价值声明治理AI图像生成中的社会偏见
Marios Kogias
帝国理工学院伦敦分校
确定性模型推理的探索
Sachin Kumar
俄亥俄州立大学
原生多模态与多语言语音-文本大语言模型
Emanuele La Malfa
去中心化人工智能研究所（ADAI）
安全且具社会意识的LLM代理预训练
Xiaoxiao Li
不列颠哥伦比亚大学
基于记忆感知偏好的机器遗忘优化
Yingcong Li
新泽西理工学院
通过子模型搜索实现高效且可适应的语言模型
Zhijian Liu
Songtao Lu
香港中文大学
M3-Align：面向多语言大语言模型的可扩展多层级与多目标对齐方法
Yao Lu
伦敦大学学院（UCL）
突破多语言数据壁垒：为低资源语言模型预训练扩展合成数据
Sasa Misailovic
伊利诺伊大学厄巴纳-香槟分校
Cratos：面向视觉语言模型量化和剪枝感知训练与调优的认证鲁棒性
Tinoosh Mohsenin
约翰霍普金斯大学
TRIM-LLM：通过线性注意力和结构化剪枝实现Trainium上碳足迹和成本高效的LLM部署
ThanhVu Nguyen
乔治梅森大学
利用AWS Trainium实现可验证AI和机器学习辅助的数学推理
Frank Rudzicz
达尔豪斯大学
Trainium上的表示免疫：可扩展噪声注入与权重锁定技术
Anuj Sharma
爱荷华州立大学
基于Trainium构建：通过视频扩散和VLMs的表示工程生成面向弱势道路使用者的物理基础合成碰撞场景
Shen Shen
麻省理工学院
基于MCP特定LoRA缓解的代理工具使用安全基准测试
Ryan Shi
匹兹堡大学
基于真实印度语言医疗对话的多语言LLM基准测试与改进
Naichen Shi
西北大学
大语言模型幻觉检测与缓解
Jaideep Srivastava
明尼苏达大学双城分校
基于知识检查的安全时序预训练：用于可信临床AI的知识注入
Cheng Tan
东北大学
面向可靠且可信LLM服务的ϵ-正确性研究
Yue Wang
佛罗里达中央大学
用于多元化对齐的责任制AI博弈论框架
Yang Wang
通过Trainium驱动框架保护多模态生成AI中的青少年：安全与对齐的探索
Ermin Wei
基于高阶方法的快速LLM训练技术
Jun Wu
密歇根州立大学
更大的模型，更大的风险？探究LLM扩展的安全性格局
Xiaokui Xiao
新加坡国立大学
基于Trainium加速的LLM引导的分层关系数据差分隐私合成
Min Xu
卡内基梅隆大学
基于语言的ViT和3D模型可解释性研究
Ziyu Yao
面向安全代码生成的LLM表示工程
Junzhe Zhang
雪城大学
去混淆图像编辑以实现鲁棒因果预测
基于Trainium的构建
了解更多信息，请访问其官网。
了解更多
关于作者