「训练数据污染」共找到 3923 篇相关文章
7B模型“情商”比肩GPT-4o，腾讯突破开放域RL难题，得分直翻5倍
腾讯混元AI数字人团队提出RLVER框架，解决开放域RL在真实交互中的‘情商’优化困境。经其训练的Qwen2.5 - 7B模型在情感对话基准得分跃升，比肩顶级商用模型，团队还有诸多启发性发现。
Efficiency Law, 物理精确世界模型，及世界模型引擎驱动的具身智能学习新范式
2025年秋具身智能赛道火热，特斯拉、英伟达动作不断，数据问题成落地症结。跨维智能贾奎、港中大（深圳）刘桂良探讨突破具身智能学习枷锁的方法，提出Efficiency Law和GS - World世界模型引擎及新学习范式。
AI 时代，实时入湖正在告别 ETL：从 Kafka 到 Iceberg 的架构减法
在AI驱动的数据应用场景中，企业需同时支撑实时消费、历史沉淀与多引擎复用的数据底座。传统依赖外部ETL作业的流数据入湖方式有诸多问题，本文探讨‘零ETL’趋势，分析Kafka × Table Bucket方案如何降低复杂度。
企微的这些新功能，补齐了AI在你公司的最后一公里
文章指出企业中大量数据不在线上，影响AI落地，过去补数据入口有问题。企业微信5.0.8版升级从组织级入口切入，新增‘记录面聊’和升级‘智能表格’，接住沟通和数据的context，让AI看见完整公司。
Anthropic让AI先读员工手册再上岗：失控率从54%降到7%
Anthropic最新研究「模型规范中期训练」（MSM）显示，相同训练数据配不同行事原则，模型表现不同。MSM在预训练和对齐微调间加中间阶段，让模型读规范文档理解准则，在特定实验中，将Agent失控率从54%降到7%。
Pinterest 基于 CDC 的摄取系统将数据库延迟从 24 小时缩短至 15 分钟
Pinterest 推出新一代数据库摄取框架，突破传统批处理局限。旧系统延迟高、运维复杂，新框架基于 CDC 等构建，处理有变化记录，将数据延迟从超 24 小时降至 15 分钟，还节省成本。
比Sora更疯狂！英伟达AI让机器人「做梦」修炼，无师自通直接上岗
英伟达新研究项目DreamGen用视频生成模型让机器人在神经网络生成的「梦境世界」自主探索学习。它能让机器人掌握新动作、泛化到新环境，合成数据暴涨333倍，还引入DreamGen Bench用于视频生成基准。
斩获18.3K star！再见Airtable，这款Postgres驱动的开源表格神器要火！太 6了
Teable是基于PostgreSQL的无代码数据库平台，被赞为Airtable开源替代潜力股。它有百万级数据秒级响应等亮点，具备独特技术架构，适用于多场景，与同类对比优势明显。
LeRobot v0.4.0 正式发布：全面提升开源机器人的学习能力
LeRobot v0.4.0 正式发布，带来多方面重大升级。有可扩展的 Datasets v3.0、新 VLA 模型、全新插件系统；支持 LIBERO 和 Meta - World 仿真；还有数据处理 Pipeline、多 GPU 训练简化等特性，上线了机器人学习课程。
全球首次实测通过！CMU华人用AI设计的乐高「不翻车」
CMU研究人员提出LegoGPT，它微调Meta的LLaMA模型，结合47000个稳定结构数据集，确保98.8%的乐高设计符合物理定律，可实际搭建。目前，数据集、代码和模型均已开源。