AgentSSL：让机器学习智能体用半监督学习利用无标注数据
这篇论文回答了一个很实际的问题：标注数据不够时，MLE 智能体还能不能自动搭好训练流程。结果显示智能体在多数设定下能超过人工基线，但选哪个程序是个大坑，最多掉 47% 性能。做自动化机器学习或数据稀缺场景的工程团队值得看看。
#数据标注
共 33 条 · 7 天 12 条 · 30 天 18 条
信息流里打上「数据标注」标签的资讯、产品与论文，按刊登时间排，新的在上。
11月13日
11月11日
Mercor 完成 7.5 亿美元 D 轮融资，估值达 200 亿美元
给前沿模型造训练数据的 Mercor 又融资了，7.5 亿美元、估值 200 亿、年化收入 30 亿。它跟 Scale AI 是直接竞争对手，这轮数字能看出专家数据生意有多大。关注 AI 产业链和模型训练成本的人都该看看。
Nvidia 参与美国 AI 训练初创 Mercor 7.5 亿美元融资
Nvidia 这次把钱投给了 Mercor 这家做 AI 训练数据的公司，说明 GPU 之外，高质量专业数据也成了兵家必争之地。做模型训练或数据标注的人可以看看这个行业动向，了解资本在往哪个环节流动。
Memories Upload 用第一人称视频标注机器人的小动作纠错数据
机器人 demo 里总是一把成功，真实世界却会手滑，Memories Upload 从第一人称视频里抠出人无意识的小修正动作当训练数据。做具身智能或数据标注的团队值得对比一下它和遥操作采集的成本差异。
Memories Upload 推出第一视角视频平台，为机器人训练提供逐帧手部标注数据
做机器人的朋友可以看看这个新数据平台：第一视角视频逐帧标注每只手的动作，能按动作检索片段直接拿来训练。相比自己搭遥操作采集，省了不少成本，每月还在上新数据。
Memories Upload 给第一人称视频按手部动作打时间戳标签
机器人要学动手，靠的是大量真人手部操作视频。这家公司雇人录第一人称画面，按左右手动作逐帧打标签，做成能按动作搜索的训练数据卖给机器人实验室。做具身智能或模仿学习的团队可以直接关注这种数据源。
Shawn Shen 团队推出 MemoriesUpload，为机器人采集第一人称工作视频数据
机器人圈常怪模型不行，这个团队反而去拍 20 多个行业里人类干活的视频，连手部动作都逐帧标注，已经有 3 家头部机器人实验室拿去训练了。做具身智能或关注数据瓶颈的都该看看这个思路。
Nathan Lambert：AI 落地长尾知识工作所需的专家投入被严重低估
Nathan Lambert 这次没有谈模型，而是谈专家数据怎么帮 AI 真正进入律师、医生这些长尾行业，还顺带讨论了 SWE 需求为何没崩。他给 Mercor 当顾问的披露也很坦诚。做数据标注、行业落地的团队值得看看这个视角。
11月10日
Handshake 一年做到 10 亿美元 GMV，成前沿实验室数据供应商
Handshake 一年冲到 10 亿美元 GMV，净收入约 4.5 亿，前沿实验室的钱都在买它产的数据。节目现场拆了病理切片、估值代码和智能体任务，想搞懂模型训练数据这门生意的可以听。
Handshake 一年做到 10 亿美元估值：给前沿实验室卖专业数据的生意
Latent Space 第一次拆数据实验室，主角是 Handshake 的 Garrett Lord。他们一年从零做到 10 亿美元估值，靠的是给 OpenAI、Anthropic 这类实验室供金融、生物、对齐领域的专家数据。做数据服务或评测创业的人能从中学到定价和交付的真实玩法。
11月9日
美国 AI 公司 Trinovation 扩充菲律宾数据业务
纽约公司 Trinovation 把数据团队放到菲律宾，一年扩张 50 倍到 690 人，看得出数据标注业务正往东南亚转移。
11月7日
谷歌开源 Agile Deliberation 框架：用边界案例帮你把模糊分类标准变清晰
谷歌开源了个新框架，让 AI 反过来帮你搞清楚自己的分类标准，做审核或数据标注的可以试试。
11月6日
11月5日
Perceptron Egocentric 1.0 发布：机器人第一人称视频标注成本降到 1/8
搞机器人训练的可以看看，Perceptron 1.0 把第一人称视频标注从每小时 70 多美元砍到 9 美元起，还能免校准做 3D 手部重建。
10月20日
中国机器人数据训练员月薪最高6000元，每天重复家务动作200次
叠衣服洗碗也能月入6000元：中国工厂雇人穿戴传感器反复做家务，一天200遍，专门给机器人当动作教材。
10月19日
Annotrace 发布：面向 Agent 轨迹的步骤级标注工作台
做 Agent 调试的人可以看看，这个工具能读 LangSmith、Langfuse 等六种格式，自动和人工一起做步骤级标注，复现了 235 个标注单元。
10月18日
Voxel51 3.0 发布：面向 Physical AI 的多模态数据平台
做自动驾驶或机器人数据的团队可以看看，Voxel51 3.0 把找数据、标注、评估全打通了，还带 45+ 个 MCP 工具，有免费层。
10月13日
中国 LLM 数据经济全景：腾讯、阿里、字节主导采购，实验室自建倾向明显
把大家都在私下聊的中国数据标注和 RL 环境市场拼出了全貌，还对比了中美花钱节奏差 6-12 个月，做训练数据的必读。
10月10日
LoRA 联合作者 Edward Hu 加入 Mercor 训练模型
LoRA 作者之一 Edward Hu 跳去 Mercor 做训练，第一个模型还是基于 Qwen 的，数据供给侧这点变化挺有意思。
10月5日
行业18:15
LinkedIn估算美国新增AI岗位超75万，数据标注员数量居首LinkedIn统计说美国新增75万个AI岗位，占最大头的是年薪5.1万美元的数据标注员，不是工程师，这组数字挺反直觉的。
10月3日
9月25日
Frame-to-Panorama 定位与上下文感知采样：用 220 张标注图训练船舶检测模型
一篇很实用的数据筛选流水线：40718 帧 maritime 视频只挑 220 张标注，微调 YOLO26-m 就能到 AP50 94.78%，标注成本省了 99.5%。
训练数据检查工具怎么选：SFT 轨迹与 RL 环境任务
训练 SFT 或 RL 的人都会遇到这个问题：轨迹数据太乱没法看，评论区有几款工具可以参考。
9月23日
Optimal Sequential Annotations for Off-Policy Evaluation：有限标注预算下的双稳健估计方法
标注预算不够又想评估策略？这篇 arXiv 论文告诉你怎么分配人工标注最省钱，RMSE 能降一半以上。
9月22日
onPanda：token 级纠正标注对齐数据，中位标注时间省 52%
标注对齐数据不用整段重写，定位到第一个错 token 改掉让模型接着生成，实验里中位时间省 52%，还附了 Panda-CVL 数据集。
8月30日
8月27日
7月27日
7月19日
行业16:08
国家数据局：全国已建成高质量数据集12万个，总体量超1565 PB国家数据局公布了最新数据：12万个高质量数据集、1565 PB总量，比一季度涨了60%，相当于国图数字资源547倍。搞AI的看看数据家底。
IT之家原文
6月4日
马斯克 xAI 暂停招聘 Grok“AI 导师”，HR 部门不堪重负
xAI 暂停招募专业 AI 导师，暴露了自建数据团队的运营瓶颈，做 AI 数据标注或模型训练的团队值得关注这一调整背后的行业趋势。
IT之家原文
5月17日
产品01:29
Adala 用自主智能体终结手动数据标注数据标注团队和机器学习工程师终于能摆脱重复劳动——Adala 用自主智能体自动学习标注技能，大幅缩短项目周期，建议做数据预处理或模型训练的团队直接试试。
