「预训练数据」共找到 3967 篇相关文章
详细介绍！RAG 和 GraphRAG：了解何时（When）、如何（How）使用它们
文章详细介绍传统RAG和GraphRAG技术，前者通过向量搜索检索上下文，但无法体现数据关系；后者用知识图谱提升检索效果，亮点是构建图谱、整合信息。还指出两者优缺点，建议结合使用。
首个Data Agent基准测试来了！2007个测试任务将数据库、PDF、视频、音频异构数据源一网打尽
南洋理工大学、新加坡国立大学与华为开源首个针对数据智能体异构混合数据分析的基准测试FDABench。它有2007个任务，覆盖多领域多数据源，独创协作框架，能测多种工作流模式的数据智能体。
bootstrap 到十亿美元 ARR：Surge AI 这匹黑马如何颠覆 Scale 霸权 ？
Surge AI 成立于 2020 年，主创团队低调，短短几年业绩爆发。截至 2024 年 ARR 超 10 亿美元，超越 Scale AI。2025 年 7 月启动首次外部融资，其聚焦高质量数据标注，客户多为顶级科技公司。
Cursor Composer 2.5 拆解：最强大的 RL 环境，就是你自己的产品
今年5月，Cursor推出Agentic编程模型Composer 2.5，相比前代能力更强、成本效率更高。Cursor研究负责人认为最强大的RL环境就是自己的产品，文中还介绍了Composer 2.5训练方式、面临的挑战及解决办法等。
破解「个性化学习」长尾难题，巧用神经坍缩理论 | ICML 2025
当前个性化学习方法基于数据高质量且类别平衡的假设，但现实教育数据呈不均衡分布。华东师范大学和浙江大学团队在ICML2025提出NCAL方法，将神经坍缩理论引入该领域，解决教育数据长尾分布问题。
SOP：具身智能在线进化新范式，为大规模真实世界部署而生
智元机器人具身研究中心提出SOP在线后训练系统，将VLA后训练重构为“在线、集群、并行”，可即插即用后训练算法。它有高效探索、缓解偏移等优势，实验显示能提升性能、效率，突破VLA瓶颈。
TDSQL Boundless：AI时代的多模态数据库
在AI与数据分析处理技术融合的当下，传统数据库架构面临诸多挑战。腾讯云TDSQL Boundless推出，通过统一架构处理多模态数据。本文从核心架构、关键技术特性及对未来数据平台建设的启示三方面解读。
14k颗星！你的电脑屏幕，正在成为AGI的“眼睛”！这款开源神器让你一键记录所有操作
介绍开源项目ScreenPipe，它是跨平台桌面数据抓取API，能全维度记录数据，有沙盒化插件系统等功能。因能为AGI提供数据、对开发者友好而火，还给出安装和创建插件命令，称其有成为AGI时代“现实采集器”的野心。
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。