「多语言数据集」共找到 6485 篇相关文章
1052篇文献！上海AI Lab发布科学LLM综述：从数据基础到Agent前沿
上海AI Lab主导，25家研究机构共同梳理270+训练集、190+评测集，提出科学数据分层框架与智能体闭环科研新范式。还介绍了模型演进、数据情况、评估基准等，指出数据缺陷并展望走向科学家智能体的三步。
AI 时代，编程语言选型更难也更重要：Go、Rust、Python、TypeScript 谁该上场？
文章围绕AI时代编程语言选型展开，引述Armin Ronacher观点，对比Go、Rust、Python、TypeScript，指出各语言适用场景，还提及AI编程工具影响及创业公司语言选择建议，探讨错误处理和创业体会。
中国具身模型狂揽全球第一！机器人的人类数据时代来了
00后带队的灵初智能用近10万小时人类数据拆解具身智能，1000小时数据开源。其发布Psi-R2和Psi-W0双系统架构，让Psi-R2登顶MolmoSpace榜单。灵初认为纯人类数据训练必要，还强调开源对具身智能落地重要。
《中国Data&AI数据基础设施白皮书》——AI创生核心生产力，开启万亿新基建之路 | 甲子光年智库
全球正处地缘政治与AI技术变革中，AI跃升为核心生产力。中国企业面临‘挤压式转型’，传统数据系统难满足需求。数据厂商需构建新一代数据基础设施，技术上‘湖仓一体’与‘AI原生’融合，推动Data&AI一体化。
Git for Data: 像 Git 一样管理你的数据
传统数据恢复手段在AI时代耗时费力，Git for Data带来变革，具备版本控制、快速回滚等能力，是AI时代数据管理新范式。MatrixOne数据库已具备其核心能力，未来将持续增强相关特性。
开源1万小时具身智能数据，这家公司是为了什么？
为加速具身智能发展，开源数据成行业选择。1 月 6 日，简智机器人开放超 1 万小时、近百万 clips 的“10Kh RealOmni - Open DataSet”，规模大、质量高、泛化强，还介绍了其数据生产链条。
用更一致的轨迹、更少的解码步数「驯服」掩码扩散语言模型，扩散语言模型的推理性能和效率大幅提升
扩散大语言模型发展迅猛，或成下一代大语言模型基础范式有力竞争者。复旦大学等团队发布论文，提出高效解码策略与强化学习训练组合，解决MDLM解码和训练问题，提升推理性能与效率。
谢赛宁与Jaakkola团队重磅研究：无数据Flow Map蒸馏
麻省理工学院Tommi Jaakkola和纽约大学谢赛宁团队联合研究，提出无需数据、仅从先验分布采样实现flow map蒸馏的新方法。该方法可规避“教师 - 数据不匹配”风险，在ImageNet实验中表现出色。
103K「硬核」题，让大模型突破数学推理瓶颈
现有大语言模型在数学推理训练时面临数据瓶颈，腾讯AI Lab与上海交大团队推出DeepMath - 103K数据集。它规模大、难度高、数据新颖、严格去污染，让DeepMath系列模型达SOTA，还能实现推理泛化。
“养团队造语言”时代终结？Rust传奇人物用Claude造出新开源编程语言，AI写下万行代码：大模型上限很高，我学会了高效用它！
Rust核心贡献者Steve Klabnik借助Claude写了新语言Rue并开源。他曾是AI怀疑论者，现认为大模型在编程中‘真的有用’。Rue目标是不依赖垃圾回收提供内存安全，使用体验更顺手，开发深度依赖Claude。