「数据合成流水线」共找到 2642 篇相关文章
阿里深夜开源王炸Agent！硬刚OpenAI，性能全面SOTA！
过去半年，开源Agent在解决复杂难题时难敌OpenAI。昨天阿里通义开源WebSailor模型，用完整可复现方法论挑战闭源霸权，通过构造L3合成数据、取精华训练轨迹、两步走训练策略提升性能。
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。
英伟达早不靠GPU躺赢！黄仁勋终极预判：10亿程序员时代将至，AI智能彻底廉价
2026 年 GTC 大会后黄仁勋接受深度访谈，他指出 AI 核心竞争转向“AI 工厂”，扩展定律沿四条路径推进，未来大量数据是合成数据。他还预测程序员将达十亿级，强调人人学 AI，认为智能会商品化，人性高于技术。
从「偶然发现」走向「必然创造」：AI如何重塑生物制造全链路？
2026年1月9日“第四届合成生物学及生物制造大会”上，深圳瑞德林李加忠指出AI4S驱动合成生物学变革，从“经验驱动”变为“数据与逻辑驱动”，并分享瑞德林通过AI4S重塑生物制造全链路的实践。
阿里刚刚开源了一款影视级配音项目，口型同步、音色转换都不是事！
阿里通义实验室语音团队联合中科大发布多模态电影配音模型Fun - CineForge，开源模型并构建中文电视剧配音数据集。它能处理多种场景，有视频理解等亮点，还给出制作数据集步骤。
数据邪修大法好：仅用文本数据就能预训练多模态大模型
多模态大模型研发中，行业认为无图文对就无多模态能力。但ReVision研究表明，预训练阶段昂贵配对关系非必需，利用非配对数据统计信息修正文本表征，能实现跨模态互换，降低成本。
无法蒸馏的美国市场，谁在分食 Frontier Labs 百亿美金预算？
本文围绕美国数据市场展开，分析了数据赛道的投资判断、公司增长难题、需求结构、最新趋势等。指出数据虽重要，但外部数据公司份额难线性外推；真实世界数据成新热点，各细分领域格局和投资方向不同。
GraphQA：用自然语言对话分析图数据
图数据常见但分析门槛高，需懂算法和代码。NetworkX 算法多却复杂，普通用户难上手。GraphQA 搭建桥梁，用自然语言接口替代复杂 API，智能选算法，继承 NetworkX 优势还解决易用性问题。
偷数据的AI公司被抓到了
Reddit发现AI公司利用Wayback Machine开放性，绕过限制扒取大量历史数据用于模型训练。此前Reddit已对AI公司数据抓取设限，还起诉过违规公司。Reddit抵制该行为，宣布限制Wayback Machine索引其内容。
从数据分布视角，重新认识下CoT
本文从数据分布视角重新审视大语言模型的思维链（CoT）推理。指出CoT并非真正推理，而是模仿，其效果受训练与测试分布差异影响。通过实验揭示CoT在分布偏移时性能退化，提醒勿过度依赖。