标签
The author argues that RL environments serve as the essential data for building AI agents, enabling systematic training, prompt optimization, and evaluation rather than manual iteration.
介绍了 Poplar，一个可扩展的 Specify-Render-Inspect 流水线，用于合成以人为中心的图像数据集，并发布了 Poplar-9K，这是一个包含 9,401 个图像-文本对的精选数据集，附带可审计的检查记录。
DecoupleMix引入了一个系统框架，通过解耦类间和类内比率搜索来优化视觉语言模型的预训练数据混合，使用凸优化来提升可扩展性和性能，超越启发式基线。
本文介绍了一项工程研究，将NVIDIA Nemotron 3.5 ASR Streaming 0.6B适配到基库尤语、多洛语和卡伦津语中。通过语料库审计、规范化、流式评估等数据驱动技术，在内部测试集上分别实现了基库尤语42.97%和多洛语33.98%的词错误率（WER）。
本文介绍了BatteryLake，一个治理型数据湖仓，它利用LLM智能体进行基于证据的元数据提取和模式映射，并采用人工在环验证，以策展异构电池老化数据集并发布开放基准测试。
本文介绍了在小数据约束下物理信息机器学习的方法论贡献，使用了包含155个数据点的磨料水射流铣削数据集。研究表明，数据整理选择、评估设计和物理集成形式非常重要，其中高斯过程变体优于其他模型。
NVIDIA 讨论了开放数据和合成数据对于构建稳健 AI 智能体的重要性，并重点介绍了他们用于训练、推理和工具使用的 Nemotron 开放数据集。
CurateEvo 是一个以失败为驱动的动态进化框架，用于智能体后训练的数据策展。它利用失败轨迹迭代重写策展策略，在 ACEBench-Agent 和 BFCL-V4 等基准上提升了效果和效率。
MedPMC是一个自动化框架，将医学文献转化为用于基础模型的高保真多模态数据，在多个基准测试和临床场景中取得了显著改进。
本文提出了一种与生成器无关的生成后策展方法，通过将真实类别拆分为规范的同质子集和无冗余的异质子集，并基于保真度-多样性准则对合成图像进行评分，从而选取信息丰富的合成图像子集。该方法持续优于现有的数据选择基线，并且在合成样本数量减少多达40%的情况下，仍能达到与真实数据相当的性能。
本文介绍了DataComp-VLM（DCVLM），这是一个用于评估视觉语言模型数据策展策略的综合基准。作者发现，数据混合而非数据过滤能显著提升性能，由此产生的DCVLM-Baseline数据集在33项下游任务中取得了最先进的结果。
本文解释了DSPy中的GEPA（基因-帕累托优化）如何用于高效的提示调优，特别是在微软AI的预训练数据筛选中应用，使研究人员能够用自动化的计算驱动优化取代手动提示工程。
本文介绍了OpenThoughts-Agent，一个开源的用于训练智能体语言模型的数据整理流程，在七项基准测试中取得了44.8%的平均准确率，并通过系统性实验超越了先前的开源数据集。
DRIFT提出了一种方法，利用在线策略影响函数来优化大型语言模型监督微调的训练数据分布，持续提升现有基线的性能上限。
对Web规模LLM预训练数据中叙事特征的细粒度研究，引入了NarraBERT和NarraDolma来测量叙事模式及其在不同来源中的分布。
本文提出STG，一种用于LLM驱动硬件设计工作流的结构化测试台生成框架，与现有基于提示的方法相比，它降低了token成本并提高了验证可靠性。
研究人员推出 Curation-Bench，一个用于评估通用编程智能体能否在 AI 开发中自动完成迭代数据整理循环的基准测试。结果表明，智能体可在十次迭代内达到强基线水平，但可靠的数据研究需要有脚手架支撑的方法适配，而非仅依赖开放式提示。
本文探讨了通用编码智能体（Claude Code、Codex等）能否自动完成数据筛选循环，在10次迭代内达到已发表基准水平，但揭示了探索新方法方面的差距。一种强制智能体适配先前研究的脚手架策略，能以十分之一的数据量产出优于基准的策略。
本文介绍了自主代理数据工程（Autonomous Agentic Data Engineering）这一任务，其中LLM自主执行端到端的数据整理流水线以实现模型特化，并展示了显著的性能提升（例如，GPT-5.2 将学生模型提升了 57.29%）。
LoMo 提出了一种数据整理方法，将单模态提示重新表述为交错的多模态序列，以改善视觉-语言模型中的跨模态表示对齐，在多个基准测试上取得了持续的性能提升。