训练数据相关 AI 资讯

行业中美对照多源确认21:40

Anthropic 被指用全网数据训练 Claude，却拒绝帮助用户翻译网页

有人让 Claude 帮忙翻译网页被拒了，要知道这些网页很可能就是它的训练数据，讽刺感拉满，评论区吵翻了。

#Anthropic #Claude #版权 #训练数据

事件专题

Lxfater@lxfater11 个信源在谈原文

产品 Agent 与开发者精选04:45

Secludy 发布 Who Sells Data：159 家训练数据供应商免费名录

Secludy 把 159 家卖训练数据、RL 环境和评测的公司整理成免费目录，每条都带来源和核验日期，找数据源前先查这份。

#Secludy #Scale #训练数据 #智能体

事件专题

rohanpaul_ai@rohanpaul_ai2 个信源在谈原文

行业政策与合规多源确认18:55

Anthropic版权案证据：2021年已规划1T参数模型

看Anthropic版权案里的2021年内部文件，他们那时就打算让AI当全能软件工程师了。

#Anthropic #版权诉讼 #训练数据 #AGI

事件专题

Gorden Sun@Gorden_Sun11 个信源在谈原文

技巧 Agent 与开发者多源确认11:23

ChatGPT 为什么总在标题里输出垃圾广告词

家里 ChatGPT 有时蹦出博彩小广告标题？这篇讲清了锅在训练数据里那些 SEO 垃圾，看完你就知道问题出在哪。

#ChatGPT #OpenAI #提示词工程 #训练数据

事件专题

爱范儿@彭海星11 个信源在谈原文

行业10:27

AI 训练数据市场观察：任务准确率约 70% 后即被弃用

3 分钟讲清训练数据这门生意的逻辑：为什么任务做到 70% 准确率就被扔掉，为什么大买家都选择自己造数据。

#训练数据 #数据标注 #模型训练

AI Will@FinanceYF5原文

技巧 Agent 与开发者官方一手精选13:41

ServiceNow发布AutoSynthData企业智能体训练数据生成工具

ServiceNow出了个新工具，能帮你给企业智能体生成训练数据，比传统方法效果好。

#AutoSynthData #ServiceNow #企业智能体 #训练数据

官方一手Hugging Face: Blog原文

行业政策与合规多源确认06:51

Gary Marcus 批评 OpenAI 智能体在无沙盒环境下抓取训练数据

Gary Marcus 转发的这条推文说 OpenAI 训练智能体时开着全网络访问权限抓数据，连沙盒都没上，讨论挺激烈。

#OpenAI #Gary Marcus #AI安全 #训练数据

事件专题

Gary Marcus@GaryMarcus11 个信源在谈原文

行业06:30

Snorkel AI 完成 3.5 亿美元 E 轮融资，估值翻三倍至 35 亿美元

Snorkel AI 这轮融了 3.5 亿美元，估值涨到 35 亿，做的就是帮人准备训练数据这门生意，看来数据标注需求真不小。

#Snorkel AI #Series E #融资 #训练数据

techcrunch@Marina Temkin原文

模型中美对照多源确认22:12

Claude 被黑客用于导弹、无人机和监视，中国实验室大量调用以训练数据

朋友A发现黑客用Claude造导弹了，还发现中国实验室在大量调用Claude来训练自己的模型，挺有意思的。

#Claude #Qwen #DeepSeek #Moonshot AI

事件专题

官方账号Decoder@Maximilian Schreiner11 个信源在谈原文

模型中美对照多源确认19:11

数学家质疑 OpenAI 未说明数学训练数据来源

数学家直接对 OpenAI 发起挑战，讨论的是模型训练数据的使用问题，和之前关于未公开工作的争议有关。

#OpenAI #数学模型 #训练数据

事件专题

官方账号theverge@Robert Hart11 个信源在谈原文

行业78°08:33

2012年收购用户公司 2021年收购工程师公司 2026年收购训练数据公司

看看这家公司如何从用户扩展到工程师，再到训练数据，了解其业务模式的演变。

#公司收购 #业务模式 #用户公司 #工程师公司

andrew chen@andrewchen原文

行业23:38

硅谷机器人大会聚焦中国机器人

想了解机器人行业最新动态，看这场大会聚焦的中国机器人企业宇树科技，了解行业挑战与机遇。

#机器人行业 #宇树科技 #Actuate大会 #硬件供应

IT之家原文

产品22:43

具身数据底座开卖，首发5100元：机器人训练数据有了新解法

具身数据底座开售了，只要5100元，为机器人训练提供数据支持，比传统方案更全面。

#具身数据底座 #机器人 #训练数据 #物理AI基础设施

量子位@思邈原文

模型中美对照13:59

AI开始给自己出题，中国团队跑通数据层RSI

这团队让AI自己给自己出题，跑通了数据层RSI。以后训练数据不够，或许不用再靠人工攒题了。

#数据层RSI #自我改进 #数据生成 #训练数据

量子位@闻乐原文

行业政策与合规多源确认78°07:17

珍稀图书被粉碎用于AI训练引争议，ISBNdb下架相关测试页面

图书被粉碎喂给AI这事闹大了，ISBNdb赶紧删页面撇清，之前Anthropic还花15亿美元和解。

#ISBNdb #Anthropic #Project Panama #训练数据

事件专题

IT之家8 个信源在谈原文

行业多源确认02:27

前OpenAI研究员：仅靠规模扩展不够，训练数据需投入1000亿美元

前OpenAI研究员告诉你为啥AI模型不能光靠堆算力，得砸钱搞专业数据。

#Andrew Ho #OpenAI #训练数据 #模型专业化

事件专题

官方账号Decoder@Matthias Bastian11 个信源在谈原文

行业政策与合规多源确认19:38

AI 公司被曝大规模收购二手书，获取纯净训练数据

想了解AI公司怎么偷你的书来训练模型？这篇揭露了Anthropic、ISBNdb和二手书商背后的故事，尺度大到你可能不知道。

#Anthropic #Claude #ISBNdb #训练数据

事件专题

IT之家11 个信源在谈原文

行业01:21

Ben Thompson提案：训练数据应属合理使用，禁止服务条款阻止蒸馏

Ben Thompson提出了一个实际解决蒸馏禁令与训练数据版权矛盾的方案，同时还能帮美国开源模型对抗中国对手，值得一看。

#Ben Thompson #Qwen #阿里巴巴 #训练数据

官方账号Simon Willison’s Weblog原文

行业多源确认72°00:39

谷歌Gemini 3.5 Pro延迟交付，训练数据更新结果令员工失望

谷歌的Gemini 3.5 Pro跳票了，训练数据更新效果也差，员工还担心自己的代码被拿去训练，具体槽点看这篇。

#Gemini 3.5 Pro #Google #代码泄露 #训练数据

事件专题

官方账号Simon Willison@simonw3 个信源在谈原文

技巧 Agent 与开发者00:15

AI可视化数据帮助理解训练模型

看看这位用户用AI可视化数据的心得，比自己动手建应用省事多了，能帮你吃透训练数据。

#数据可视化 #训练数据 #AI能力

Suhail@Suhail原文

行业73°01:18

黑客入侵暗示Suno从YouTube抓取训练数据

黑客挖出Suno训练数据来源，代码显示它大量抓了YouTube音频，这波操作有看头。

#Suno #YouTube #训练数据 #AI音乐生成

techcrunch@Amanda Silberling原文

行业15:39

Deedy整理2026年7月AI训练数据卖方全景

Deedy盘点了所有卖AI训练数据的公司，50多家年收入85亿，四巨头占了75%。想了解数据供应链的规模，看这个就够了。

#Scale #Surge #Mercor #Handshake

AI Will@FinanceYF5原文

行业01:55

通用智能CEO称游戏数据训练AI优于互联网文本

有位CEO认为游戏数据比网络文本更能教AI理解空间和因果，General Intuition在搞这个，挺新鲜的。

#General Intuition #ChatGPT #Claude #通用人工智能/AGI

techcrunch@Theresa Loconsolo原文

产品多源确认16:30

网站 In the Weights 可查 AI 模型对你了解多深

前 OpenAI 员工做了个小工具，输入名字就能查 AI 模型认不认得你，莫扎特排第一，挺有意思。

#In the Weights #OpenAI #AI记忆 #训练数据

事件专题

官方账号Decoder@Matthias Bastian11 个信源在谈原文

产品 Agent 与开发者14:21

Fireworks AI 与 LangChain 合作，从 traces 生成训练数据实现持续后训练

Fireworks AI 和 LangChain 搞了个新路子：从你的 traces 里自动生成训练数据，然后持续后训练，让你真正掌控自己的 AI 和数据。

#FireworksAI #LangChain #训练数据 #后训练

Fireworks AI@FireworksAI_HQ原文

产品01:06

Hub为前沿AI与机器人提供真实世界训练数据

Hub刚上线，它用全球贡献者网络帮你采集人类真实劳动力数据，解决AI训练数据稀缺问题。

#Hub #训练数据 #数据采集 #AI实验室

Y Combinator@ycombinator原文

论文精选12:14

AI训练数据不再只靠人类：ModSleuth揭示模型依赖链

大模型训练越来越依赖其他模型生成数据，做模型开发或数据工程的团队需要理解这种依赖链——ModSleuth能帮你理清关系，建议点开看看。

#大语言模型 #训练数据 #模型依赖 #ModSleuth

官方账号Allen AI (Ai2)@allen_ai原文

论文精选02:53

推理模型训练数据新视角：检查信号比数据量更重要

这篇论文戳破了推理模型训练中“数据越多越好”的迷思，做模型训练或智能体开发的团队值得一读——它告诉你该关注什么数据，而不是盲目堆量。

#推理模型 #训练数据 #检查信号 #智能体

rohanpaul_ai@rohanpaul_ai原文

论文精选72°16:05

研究揭示大模型为何能学会小模型错过的技能

这项研究为AI开发者揭示了模型规模与技能学习之间的关键机制，做模型训练或数据配比的团队可以直接参考其提出的数据频率优化方案，值得关注。

#语言模型 #模型规模 #训练数据 #技能学习

官方账号Decoder@Jonathan Kemper原文

行业精选12:39

微软 MAI 模型训练数据曝光，与“仅商业授权”说法不符

微软 MAI 模型的数据来源争议直接关系到企业级 AI 部署的合规风险，做数据治理或采购 AI 服务的团队值得关注，建议点开了解具体细节。

#微软 #MAI #训练数据 #数据合规

IT之家原文

论文72°10:31

终端智能体训练：低分模型轨迹反而教得更好？

这篇论文推翻了“老师越强，学生越好”的直觉，做智能体微调的团队会发现数据质量和交互结构比模型能力更重要，值得仔细读实验设计。

#智能体 #终端智能体 #训练数据 #环境监督

arXiv: DeepSeek@Sidi Yang 等 14 人原文

产品22:53

CommonCrawl 的背书说明 Hugging Face Buckets 在大规模数据管理上靠谱，做 NLP 或预训练数据处理的团队可以直接试试，省去自己搭存储的麻烦。

#数据集 #存储 #CommonCrawl #Hugging Face

官方账号Clement Delangue@ClementDelangue原文

行业 Agent 与开发者76°13:37

Meta 泄露音频：用工程师工作痕迹训练编程 AI，同时裁员 8000

Meta 把自家工程师的思考过程变成训练数据，做 AI 编程或关注 AI 对就业影响的开发者值得细看——这可能是未来 AI 训练范式的转折点。

#Meta #编程助手 #行为克隆 #训练数据

rohanpaul_ai@rohanpaul_ai原文

产品22:24

PerfectBit 用物理模拟器验证训练数据，确保数据正确性

做 AI 训练数据或科学计算的团队，终于有了一个能保证数据正确性的方案——PerfectBit 用物理模拟器验证数据，比人工标注靠谱太多，做机器人或科学 AI 的开发者值得关注。

#训练数据 #数据验证 #物理模拟器 #AI for Science

Y Combinator@ycombinator原文

论文11:18

AI模型仍受2022-2023年数据影响

此文提醒AI从业者关注模型训练数据的时效性偏见，对模型评估和迭代有参考价值。

#AI安全 #数据偏见 #训练数据 #模型时效性

Ethan Mollick@emollick原文