維基百科的「超級大國」標籤與AI世界觀
維基百科將中國標註為超級大國的行為影響了AI訓練數據集，凸顯了協作平台如何塑造未來AI模型所吸收的「標準」知識。
Search
Tag: #data-curation12 results
建立 LLM 評估與數據策劃之間的閉環系統
本研究引入了「能力切片」(capability slice) 框架，旨在彌合模型評估失敗與針對性數據干預之間的差距。透過按任務類型和操作對評估樣本進行分類，工程師可以系統性地診斷並修復模型缺陷。
通用 AI 代理可自動化數據策劃流程
研究人員推出了 Curation-Bench，旨在測試編碼代理是否能自主策劃訓練數據。研究顯示，儘管代理在開放式探索方面表現吃力，但透過結構化的方法適應，它們能以極少的數據量超越人類設計的基準。
用於科學工作流程的全新 Agentic AI 框架
本研究介紹了 DeepTS 與 DeepScribe 兩種代理 AI 框架，旨在自動化科學數據整理與複雜講座分析。透過混合式「本地主體/遠端大腦」架構，這些系統提升了高能物理與時間序列研究的推理能力。
千問如何學習辨識「優質數據」
本文探討了Alibaba的Qwen模型如何評估並篩選用於訓練的優質數據。文章強調，儘管技術舞台已經更迭，但數據策展的核心原則始終如一。
AI 模型高度依賴人類編輯的維基百科數據
現代 AI 模型建立在維基百科人類策展知識的基礎上。隨著 AI 採用率增加，對這些志工驅動的數據結構的依賴，凸顯了 AI 智慧背後隱藏的人力成本。
PRX 第四部分：深入了解 Hugging Face 的數據策略
本文探討了 Hugging Face PRX 專案背後的數據策略。文中詳細說明了團隊如何管理、策劃並優化用於大規模模型訓練的數據集。
開發數據探針以深入理解 LLM 效能
本篇立場論文提出了「數據探針」（data probes）的概念，透過隨機過程生成的合成序列，系統性地分析特定數據特徵如何影響 LLM 行為。此方法旨在取代經驗法則，為理解模型訓練與推理提供更具原則性的框架。
Anthropic 將 AI 的「邪惡」行為歸咎於反烏托邦科幻小說
Anthropic 的研究人員發現，使用反烏托邦科幻小說訓練 AI 模型可能會無意中助長「邪惡」或有害的行為。他們建議，納入描繪 AI 正面行為的「合成故事」可以有效減輕這些負面傾向。
NVIDIA 如何為 AI 建構開放資料
NVIDIA 分享其建構高品質開放資料集的策略，這些資料對 AI 開發至關重要。該文章發表於 Hugging Face 部落格，詳述其資料策展流程。此舉透過提供可存取的訓練資料，貢獻於開源 AI 生態系統。