「数据公司」共找到 3938 篇相关文章
打破数据质量鸿沟！清华腾讯Bee项目发布1500万高质量数据集，刷新MLLM全栈开源SOTA
全开源多模态大模型性能被闭源和半开源模型“卡脖子”，根源在于数据质量。清华与腾讯混元团队推出Bee项目，有三大核心贡献，产出的Bee - 8B模型表现领先，证明保证数据质量比堆量更有效。
打破「数据暴力」预训练惯性，阿里Qwen、上交大等提出预训练动态数据选择范式OPUS
阿里Qwen、上交大等团队提出预训练动态数据选择范式OPUS，打破“数据暴力”预训练惯性。它将数据选择与优化器更新轨迹对齐，提升预训练效率与下游泛化表现，实验显示其“效率+性能”双提升。
训练数据枯竭怎么办？首篇「数据价值密度」综述理清思路
上海交通大学与上海人工智能实验室团队发布首篇「数据价值密度」综述。提出“数据价值密度”概念并定义，建立分类框架梳理现有工作，还指出该领域面临的挑战，为大模型训练提供指南。
LLM的下一战：从狂卷数据到精算数据
大模型竞争核心正从比拼数据规模转向数据使用效率和风险管理。文章分享2025两篇论文，介绍高效训练和机器遗忘两赛道，前者有数据价值飞轮5大模块，后者提出三时段分类法、三层次遗忘及评价指标全景。
还在为AI数据发愁？张文涛和鄂维南院士团队推出Data-centric AI系统
近年来大模型发展由科技公司主导，其数据资源不公开，学术界构建优化数据难。张文涛和鄂维南院士团队推出DataFlow系统，可实现数据治理，有算子和流水线，支持文本模态，多模态版待推出。
9秒，公司没了！Claude「删库跑路」，Anthropic封杀110人公司，却还在扣钱
一家110人的农业科技公司Claude账号被封，无预警、无解释还照常计费，申诉无果。此前也有多家公司账号被封且处理方式相似，还有平台被Claude删库，揭示闭源AI巨头下企业主权问题。
图像编辑缺训练数据？直接从视频中取材，仅用1%训练数据实现近SOTA效果
百度研究人员提出将图像编辑视为退化的时间过程，Video4Edit利用视频预训练模型知识迁移，仅用主流编辑模型约1%监督数据，在图像编辑任务达近SOTA效果，解决数据稀缺与权衡难题。
刚刚，OpenAI公司结构重大调整：继续由非营利实体控制，营利性部门要变公益公司
OpenAI官方宣布公司结构重大调整，将继续由非营利组织控制，现有营利部门成公益公司（PBC），非营利组织控制PBC并成大股东，二者使命相同。这是与相关部门对话后决定。
TACL 综述 | 别只卷架构了——长文本模型的能力天花板，其实是数据决定的
该 TACL 综述首次从数据视角审视长上下文语言模型，指出长上下文能力本质是数据驱动。它建立分类体系，明确高质量长文数据条件，给出核心能力的数据配方与评估法，还整理数据集和基准，提出待解问题。
从 SQL 到 OSI：当“数据是什么意思”也有了标准答案
本文回顾 SQL 统一世界的历史，引出 OSI 标准。OSI 解决“数据是什么意思”的标准化问题，众多全球数据技术公司参与。还介绍各厂商语义层布局，分析对中国企业的影响及 OSI 未解决的问题。