training-data

一篇博客文章及配套推文探讨了随着互联网充满合成内容，生成式AI之前的数据是否变得更有价值，讨论了来源、模型崩溃以及Anthropic的图书扫描。

讨论AI公司是否应面临版权诉讼，以强制其以合乎道德的方式获取训练数据；文章引用了Suno在德国的败诉，并主张法律应要求在使用人们的数据进行训练时获得同意。

Macrodata Labs 发布了一篇研究博客，介绍如何仅使用开源模型来恢复三维手部运动信号，从而利用第一人称视角视频数据扩展机器人技术。

作者观察到 ChatGPT 现在可以画出指定时间的表，指出一年前这还是一个典型的 AI 失败案例，因为训练数据过分偏向 10:10，并问到还有哪些其他的“10:10 问题”依然存在。

The tweet highlights the potential of agent harnesses to capture and distill experts' tacit knowledge as new training data, referencing a Berkeley AI Summit talk by Jianfeng Gao on agentic modeling as an emerging AI paradigm.

Truffle Security 与 Julien Chaumond 合作，在 HuggingFace 上执行了最大规模的 AI 训练数据秘密扫描，在 6,003 个公共数据集中发现了 221,303 个有效的唯一凭据。

探讨了AI模型在AI生成的内容上训练的问题，随着不准确性的累积，可能导致质量下降和真相的丧失。

作者提出一个正式的训练前控制层，用于审计训练数据工件，并基于明确标准给出判定（通过/不通过），作为数据准备与训练之间缺失的门控，并邀请讨论其实用性。

Screencap 将团队的真实工作流程转化为 AI 训练数据。

Encord和Zander Labs正在实验用脑电波头戴设备采集更丰富的物理AI训练数据，旨在解决真实世界机器人数据稀缺的问题。

关于实验室训练10T参数模型可能使用的数据来源的讨论，包括合成推理链和人类生成的痕迹，以及对触及数据墙的担忧。

DataPrep-Bench是一个统一的基准测试，用于评估LLM在六个领域的训练数据构建和质量评估能力，包括一个技能引导的代理（Data-Construction-Skill）和一个基于分布的评估器（DAS），后者实现了强大的跨模型相关性。

Anthropic被指控未经许可使用受版权保护的书籍来训练其大语言模型，因此遭到起诉。

本文介绍了移动字母（Moving Alphabet），一个用于受控实验的程序化测试平台，研究数据分布和字幕质量如何影响文本到视频模型，揭示了数据整理的关键见解。

TerminalTraj是一个可扩展的流水线，利用Docker化环境生成高质量的终端智能体轨迹，在终端任务基准上使用TerminalTraj-32B等模型实现了高达20%的性能提升。

对向前沿AI实验室出售训练数据这一蓬勃发展的业务进行了深入分析，详细介绍了六种不同的数据产品以及市场的财务动态。

一次黑客事件揭露，AI音乐生成器Suno通过从YouTube、Genius和Deezer抓取数百万首歌曲来训练其模型，证实了版权侵权的指控，并暴露了客户数据。

对AI音乐生成器Suno的黑客攻击显示，它涉嫌从YouTube、Deezer等来源抓取了数十年的音频作为训练数据，在各大唱片公司起诉期间引发了版权和DMCA方面的担忧。

文章讨论了AI模型如何对训练数据中统计上占主导地位的叙事表现出偏见，这种偏见可能被利用来在全球范围内操纵历史和当前的语境。

《纽约时报》指控OpenAI误导法庭，声称无法搜索训练数据中的受版权保护材料，但此前曾这样做过并删除了数十亿聊天记录。这起案件引发对AI公司透明度和问责制的担忧。