「开源数据集」共找到 4966 篇相关文章
普林斯顿团队领衔发布最强开源数学定理证明模型：32B性能大幅超越前代SOTA DeepSeek 671B
近日，普林斯顿大学牵头多机构推出开源数学定理证明模型 Goedel-Prover-V2。其 32B 旗舰模型在多基准测试超 DeepSeek-Prover-V2-671B，8B 小模型特定基准性能与之持平。该模型有三项关键创新，团队已公开模型及数据集。
全球看中国，灵初智能用10万小时人类数据写下具身智能的中国答案
2026年，“世界模型”成具身智能高频词。灵初智能联合创始人陈源培认为其非核心方向，而是数据迁移工具。灵初关注人类操作数据转化，在10万小时量级上可大幅替代真机数据，还介绍了系统模块、数据集及商业化阶段等情况。
The Batch: 849 | 用于训练网页智能体的生成数据
开发网页智能体常需大量人力标注训练样本，卡内基梅隆大学与亚马逊团队实现训练数据生成自动化。他们构建数据集，通过智能体工作流程生成数据，微调后 Qwen3 - 1.7B 表现出色，还公开数据与方法。
清华刘知远团队：高质量LLM训练数据获取新方法！成本降90%，性能大提升
清华刘知远团队论文提出全新数据筛选方案，解决传统数据筛选验证慢、主观性强问题。发明‘半成品加工法’降成本，用fastText筛数据，筛出Ultra - FineWeb数据集，提升模型性能，还计划拓展到专业领域。
合成数据>人工数据，绝对性能暴涨超10个点！仅需任务定义，高效微调大模型
为解决基础模型在专业领域表现不佳、依赖人工标注数据的难题，北大、MIT等机构提出「合成数据强化学习」框架。该框架仅需任务定义，能生成合成数据微调模型，在多领域基准上性能提升显著，代码已开源。
Agent RL和智能体自我进化的关键一步: TaskCraft实现复杂智能体任务的自动生成
当前智能体训练缺高质量任务数据，主流数据集依赖人工标注，规模和复杂性受限。OPPO 研究院提出 TaskCraft 框架，能自动生成智能体任务，构建并开源含约 41,000 条任务的数据集，支撑智能体训练评估。
40.9K Star 数据可视化神器！Json数据处理领域的“瑞士军刀”！
在数据驱动场景中，解析复杂嵌套JSON结构费时费力。GitHub上标星40.9K的开源工具JSONCrack，能将JSON数据可视化为交互式节点图，还有转换、格式化等功能，使用简单，应用场景广。
亿级短视频数据突破具身智能Scaling Law！Being-H0提出VLA训练新范式
真机数据匮乏使具身智能VLA模型发展受限，现有真机数据与所需上亿级训练样本相差甚远。BeingBeyond团队提出创新性方案，利用人类视频手部数据构建数据集，训练出VLA模型Being - H0，经实验验证效果良好。
甲骨文副总裁吴承杨：AI 放大了数据优势，数据融合至关重要
甲骨文公司副总裁吴承杨认为 AI 放大了数据优势，多模融合数据库至关重要。对比传统开源数据库，Oracle 能精简编排步骤。嵇小峰指出企业构建 Agent AI 要关注数据需求和安全。
从 “管好数据” 到 “让数据生智”，华为再发新作《数据空间探索与实践》| 文末赠书
2025年11月15日，机械工业出版社牵头举办研讨会，庆祝《华为数据之道》发行五周年及《数据空间探索与实践》上市。行业大咖齐聚，共话数据治理演进，两书为行业提供了有价值的参考。