搜索：多源数据采集

「多源数据采集」共找到 2498 篇相关文章

谷歌DeepMind「粪坑淘金」全新方法，暗网毒数据也能训出善良模型

谷歌DeepMind研究团队发表论文提出生成式数据精炼（GDR）方法，不直接生成新数据，而是用大模型净化原始数据，保留有用信息。该方法能解决数据枯竭、隐私等问题，实验显示效果良好。

来自多所高校团队在ICCV 2025发表统一基准框架UniOcc，融合多源数据，有体素级运动流标注等创新，提出免真值评估指标，支持协同预测，已开源，能推动自动驾驶迈向新阶段。

觅蜂科技成立72天亮出破局方案，推出MEgo系列无本体数据采集硬件，同步发布数据服务平台、治理引擎，启动蜂巢数据共创行动，与多家头部企业合作，欲解决具身智能数据难题。

影身智能已连续完成多轮融资，累计近亿元。其以‘原生3D动态世界模型’为核心技术，采用与市场不同的‘升维’思路，用自研的‘影身360’系统采集3D数据，还落地柔性智造行业，目标是打造通用人工智能产品。

具身智能进入数据scaling时代，VLA模型训练中数据并非越多越好。上海交大同济等校团队提出ATHENA框架，将影响函数扩展到十亿参数VLA模型，解决计算和筛选难题，实现313倍加速，实验证明其用更少数据获更好效果。

传统观点认为大型语言模型预训练应过滤“坏数据”，但论文《When Bad Data Leads to Good Models》提出反直觉观点，适度加入有毒数据，通过后训练技术可降低模型毒性，保持一般能力，挑战常规做法。

2026年4月7日，千寻智能完成新一轮10亿融资，30天内累计融资30亿，由雷军、马云旗下资本领投。其开源具身模型Spirit v1.5展现泛化能力，技术路径获认可。千寻构建多源数据引擎，还通过现实场景数据反哺模型。

训练大模型难度随规模和应用拓展而增加，所需数据海量。机器人领域获取训练数据成本高，研究者尝试找替代方案。强化学习大牛Sergey Levine分析数据组合，认为鱼和熊掌不可兼得，替代数据有局限。

2026年，“世界模型”成具身智能高频词。灵初智能联合创始人陈源培认为其非核心方向，而是数据迁移工具。灵初关注人类操作数据转化，在10万小时量级上可大幅替代真机数据，还介绍了系统模块、数据集及商业化阶段等情况。

InfoQ《极客有约》X AICon 直播栏目邀专家探讨企业数据智能应用。谈及构建数据集、优化检索效率等问题，还分析数据准备挑战、DeepResearch 优势，指出数据智能落地面临组织与技术层面的挑战。