llm-training-data

论文提出编辑发现优化（Edit Discovery Optimization, EDO）问题框架，用于在有限编辑器成本预算下，选择性地将人机交互数据交给更强的编辑器（人类专家或更强的模型）进行检查与修正，并提出在线算法 EDIT，在四个推理与事实问答基准上取得了更优的成本-错误权衡。

本文评估了大语言模型训练数据中极端言论的普遍性，重点关注Dolma语料库，并讨论了对数据管理和模型安全的影响。

关于AI爬虫机器人日益严重的问题的最新更新，这些机器人导致网站不堪重负，并探讨了住宅代理网络及其对开放网络的影响。

一篇个人博客文章，解释了一种反爬虫浏览器阻止机制，包括给Inoreader、Feedly、Vivaldi和archive.*用户的特别说明。