「高质量数据集」共找到 4417 篇相关文章
如何科学地“设计”SFT 数据？一次关于 ODA 的完整平台级验证
大模型后训练阶段，SFT数据构建常依赖‘直觉’或‘试错’。上海人工智能实验室OpenDataLab团队发布报告，基于OpenDataArena提出新范式，将数据集构建从‘随机艺术’变为‘确定性工程’，并进行平台级验证。
ImageNet分数越高，生成反而越糊？iREPA给出解释
Adobe Research论文指出，视觉模型在ImageNet分类准确率高，生成效果未必好，全局语义强易压扁空间结构。iREPA修改REPA训练流程，削弱全局干扰，提升了生成质量。
1句话高质量生成游戏3D动作，北大新方法刷新动画制作SOTA
北京大学提出ReMoMask：基于检索增强生成的Text - to - Motion框架，集成三项关键创新。在标准基准测试上，相比RAG - T2M，在HumanML3D和KIT - ML上FID分数分别提升3.88%和10.97%。
字节Seed提出序贯策略优化方法，突破同传“质量-延迟”权衡问题
AI字幕质量和延迟难平衡是业界老问题。香港中文大学、字节跳动Seed和斯坦福大学研究团队提出序贯策略优化框架SeqPO - SiMT，在70亿参数规模实现SOTA，翻译质量媲美Qwen - 2.5 - 7B离线水平。
强化学习之父Richard Sutton：人类数据耗尽，AI正在进入“经验时代”！
强化学习之父Richard Sutton在演讲中指出，人类数据耗尽，AI正进入“经验时代”，真正的AI要从与世界互动的“经验”中获取数据。他还认为创造超级智能体是好事，人类和AI繁荣应基于“去中心化合作”。
Ray异构融合底座重构数据管道：架构演进与万卡落地实践
文章指出大模型发展下，传统大数据引擎在多模态数据处理局限性凸显。腾讯基于Ray构建新一代数据管道，介绍了云原生调度与计算范式融合架构，详述容错、资源利用等方面优化实践，展示了重构收益。
MIT发布自适应语言模型！新任务，自生成远超「GPT-4.1合成训练数据」
麻省理工学院提出自适应语言模型框架SEAL，让大模型生成微调数据和更新指令适应新任务。实验显示，其生成的合成数据微调效果超GPT - 4.1，在少样本学习和知识整合任务表现优异。
蚂蚁VLDB最佳论文：用一张“逻辑表”驯服3050亿条训练数据
蚂蚁集团论文《OmniTable: A Unified Wide-Table System for Petabyte-Scale LLM Data Curation and Exploration》获VLDB工业赛道最佳论文。其研发的OmniTable系统能管理超35PB、3050亿条以上训练数据，解决数据准备难题，如在SFT任务中大幅缩短周期。
人人可用、真能落地，阿里用Agent掀翻了数据分析的牌桌
文章介绍阿里全资子公司瓴羊升级“智能小 Q”，这是阿里在数据分析赛道的首份 Agent 答卷。分析了数据分析从可视化、可决策到可行动的三阶跃迁，阐述智能小 Q 在准确性、企业级能力、价值增量方面的表现及应用案例。
营收破亿，光轮智能完成数亿元 A 及 A+轮融资，揭秘机器人「数据荒」背后的生意经
近日，光轮智能完成数亿元 A 及 A+轮融资，已与全球头部企业合作，年营收破亿。其创始人谢晨博士指出机器人基础模型开发存在数据短缺问题，光轮通过仿真环境生成数据，是 NVIDIA 生态核心伙伴。