搜索：训练数据污染

「训练数据污染」共找到 3927 篇相关文章

千亿多肽市场迎来Scaling时刻，清华校友创业用AI重写发现规则 | 对话利太智药贾寅君

本文对话利太智药贾寅君，他从临床医学转向AI药物发现，创业聚焦多肽。他认为多肽泛用性强，能覆盖更多靶点。其团队构建合成数据，开发模型，如MEET、PepMirror，探索将技术落地成药。

在医疗AI领域，模型静态评测与临床问诊能力存在断层。清华刘洋团队提出DOCTOR - R1，将临床问诊建模为POMDP，用强化学习训练。实验验证了其有效性，对医疗AI发展有深远启示。

文章聚焦 Transformers v5 分词系统，介绍分词概念、流程、主流算法，对比 transformers 和 tokenizers 库。着重讲 v5 改进，如架构与词表分离，解决 v4 黑盒问题，还能从零训练专属分词器。

香港大学 XLANG Lab 和月之暗面等多家机构提出用于构建和扩展 CUA 的完全开源框架 OpenCUA，含注释工具、大规模数据集等，还构建旗舰模型 OpenCUA - 32B，公开代码、数据和模型。

Anthropic发布研究，在Claude内部发现J - space（雅可比空间），即“全局工作空间”，它在训练中自发形成。用雅可比透镜技术可读取其内容，还验证了其功能属性，可用于对齐审计等。

昨晚，全球第一CRM平台Salesforce宣布以80亿美元全资收购Informatica，增强其数据基础，利于部署AI Agent。Salesforce高管认为二者结合能打造全面数据平台。Salesforce早布局Agent，其自研平台Agentforce应用效果显著。

腾讯自用低代码平台无极，平均每天上线1.2个新系统，用户覆盖1/3员工。它去模板化，从数据结构设计开始，数据推导UI，有灵活编辑器，支持渐进式开发，具备集成性和开放性，还有AI赋能。

近年来，视觉 - 语言模型在2D图像理解有突破，但3D视觉语言模型面对复杂场景不足。为此上海大学团队提出3D - R1模型，它基于新数据集和策略构建，有强多任务三维理解能力，不过也存在进步空间。

9月19日，蚂蚁百灵大模型团队开源新一代推理模型Ring-flash-2.0，独创棒冰算法解决训推差异难题，实现稳定训练。该模型仅激活6.1B参数就能打平40B Dense模型性能，降低推理成本。

微软官宣在Excel引入全新的=COPILOT()函数，用自然语言提需求就能让其干活。它内置在Excel引擎，能与现有函数协作，还可自动刷新结果。网友称这将改变数据分析，让Excel再次伟大。