「高质量训练数据」共找到 4310 篇相关文章
π0.6和GEN-1谁代表未来？乾坤未定，但这条底层赛道浮出水面
Generalist AI的GEN - 1引发行业关注，其创始人验证具身智能尺度定律。但很多公司在数据质量上遇困。智域基石提出‘数据编译’概念，构建五层编译管线，有独特商业模式，对未来数据路线持‘路线中立’观点。
ICML 2025 | CoTo：让LoRA训练「渐入佳境」，模型融合、剪枝样样精通
来自多机构研究者提出CoTo渐进式训练策略，解决LoRA训练难题。该策略在训练早期随机失活部分适配器，后期提高激活概率，提升模型融合、剪枝能力，还能增强单任务性能与训练效率，已被ICML 2025接收。
爱思唯尔把Meta告了：拿Sci-Hub盗版论文训练大模型
学术出版巨头爱思唯尔等多方原告起诉Meta，指控其未经授权获取、复制受版权保护的学术论文训练Llama大模型，数据源于Common Crawl和盗版平台。Meta以‘合理使用’抗辩，AI版权合法性尚无明确判例。
Legora、Mercor 都在用，Reducto 能成为独立的 LLM 数据入口吗？
当前企业AI落地瓶颈在数据质量，Reducto聚焦数据准确性，以文档解析API提供Agentic OCR能力。它获多轮融资，估值达6亿美元，但面临多模态模型竞争及定价等问题，其未来走向待察。
用SFT打出RL的效果？微软联合提出高效后训练算法
大模型后训练阶段，SFT 和 RL 各有优劣。微软等联合提出新工作，量化 SFT 和 RL 在数据层面的差距，提出 IDFT 和 Hinted Decoding 等高效后训练技术，实验显示新方法泛化超 SFT、效率超 RL。
超越VLA与世界模型，银河通用发布LDA，全谱系数据跑通Scaling Law
近期具身智能领域竞争激烈，银河通用联合多机构发布 LDA-1B 模型，能统一利用各类具身数据。它在基准测试中表现出色，代码已开源，还解决了数据格式、质量等问题，实战效果也很突出。
大模型竞赛转向：决胜关键为何是“后训练”？｜甲子光年
大模型价值主战场向后训练转移，Grok 4凭后训练成“宇宙最强”。产业应用中通用模型适配难，后训练方法也在进化，如采用SFT+RL等，还介绍了夸克和阿里云的后训练实践。
腾讯云黄世飞：企业如何构建面向未来的 AI-Ready 智能数据基座
本文是腾讯云副总裁黄世飞在腾讯全球数字生态大会的分享，介绍腾讯云AI - Ready数据平台建设进展，涵盖背景挑战、架构创新、生态落地等内容，还提及相关应用实践及未来规划。
每2秒吃透一道高数大题！华为终于揭秘准万亿MoE昇腾训练系统全流程
华为揭秘准万亿MoE昇腾训练系统全流程，通过“昇腾+Pangu Ultra MoE”实现国产算力与模型自主可控训练闭环，从集群利用率、单节点算力、后训练技术三方面突破，实现大模型高效训练。
通义实验室大火的 WebAgent 续作：全开源模型方案超过GPT4.1 , 收获开源SOTA
WebAgent续作《WebShaper: Agentically Data Synthesizing via Information-Seeking Formalization》提出对information-seeking任务形式化建模，设计训练数据合成方法，全开源模型方案在GAIA评测获SOTA表现，还补足了训练数据不足问题。