数据集
每周7亿人都在如何用ChatGPT？OpenAI最全报告来了
首份最全ChatGPT用户研究报告来了！ 就在刚刚，OpenAI联合哈佛大学经济学家David Deming发表了一篇新论文——标题为《How People Use ChatGPT》，详细论述了ChatGPT从2022年11月上线到2025年7月的被使用情况。 图片为什么要在这个节点推出报告，或许这也和ChatGPT取得的阶段性成果有关。
9/16/2025 9:04:35 AM
数据集质量正成为AI大模型的终极壁垒
"老板，我们的模型效果怎么还是这么差？ "小李拿着测试报告，一脸无奈地走进了技术总监的办公室。 "数据质量怎么样？
9/11/2025 2:00:00 AM
大数据AI智能圈
为防AI刷题，Nature等顶刊最新封面被做成数据集，考验模型科学推理能力|上海交通大学
近年来，以GPT-4o、Gemini 2.5 Pro为代表的多模态大模型，在各大基准测试（如MMMU）中捷报频传，纷纷刷榜成功。 然而，这些令人瞩目的进展也带来了一个愈发严峻的问题：当现有的“题库”逐渐被提前预训练进模型，我们如何才能持续、准确地评估这些顶尖AI的真实能力？ 为了应对这一挑战，上海交通大学王德泉教授课题组巧妙地将“动态基准”这一理念与不断更新的科学前沿相结合，提出了MAC（多模态学术封面）基准：既然科学知识本身在不断演进，为什么不用最新的科学内容来测试AI呢？
8/26/2025 9:07:00 AM
靠AI破解癌症，初创公司融下3000万刀！新目标：建10亿单细胞数据集
在AI模拟蛋白质取得了巨大突破后，一些人把目标瞄准了整个活细胞。 福布斯杂志最新介绍，有一家初创公司刚刚融资3000万美元，用于构建活细胞的AI模型。 这家公司名为Tahoe Therapeutics，目前估值达1.2亿美元，他们开发了一种可扩展的方法，能够快速生成AI模型所需的关键生物数据，并利用这些数据寻找治愈癌症的新方法。
8/13/2025 9:19:14 AM
北大发布学术搜索评测ScholarSearch：难倒一众DeepResearch的“开卷考试”
LLMs能当科研助手了？ 北大出考题，结果显示：现有模型都不能胜任。 北京大学DS-Lab发布ScholarSearch，这是首个专门用于评估大语言模型在学术研究中复杂信息检索能力的数据集，包含223道高难度的学术检索题目及其答案。
6/27/2025 8:47:12 AM
Yandex 发布最大音乐推荐开源数据集 Yambda
俄罗斯搜索巨头Yandex发布全球最大音乐推荐开源数据集Yambda，含47.9亿条匿名用户交互数据，覆盖939万首歌曲，助力开发者打造智能音乐服务。数据集分三种规模，最大需85GB存储空间。#音乐科技# #AI推荐#
5/30/2025 2:40:08 PM
准泽（实习）
全面增强LLM推理/规划/执行力！北航提出全新「内置CoT」思考方法
用户已经习惯于将大模型如ChatGPT、Llama-3-chat等当作聊天对象，然而在用户和聊天助手的会话中，有的用户提示（例如一些命令或请求）不能在一轮会话中结束，需要大语言模型和用户进行多轮会话。 这种跨越多轮的会话目前仍然存在一些问题：大语言模型的回答容易出错，不能帮助用户达到目标，且随着会话轮数增加出错概率会增大。 对同一个命令或问题，大语言模型比较难以根据实际需求产生不同流程的响应，在需要大语言模型与环境交互时，目前比较流行的做法是使用函数调用或工具调用，但不够优雅和高效，而且由于上下文窗口的限制，能支持的工具调用数量有限。
3/5/2025 4:00:00 AM
新智元
CVPR满分论文：一块2080Ti搞定数据蒸馏，GPU占用仅2G，来自上交大“最年轻博导”课题组
只要一块6年前的2080Ti，就能做大模型数据蒸馏？ 来自上交大EPIC实验室等机构的一项最新研究，提出了一种新的数据集蒸馏方法——NFCM。 与前SOTA相比，新方法的显存占用只有1/300，并且速度提升了20倍，相关论文获得了CVPR满分。
3/3/2025 12:13:15 PM
量子位
不可信任的人工智能：如何处理数据中毒？
译者 | 布加迪审校 | 重楼现代技术远非万无一失——比如说，我们可以看到，众多漏洞不断涌现出来。 虽然通过设计保证安全的系统是一条屡试不爽的最佳实践，但这么做可能会分流来自其他方面的资源，比如用户体验（UX）设计、性能优化以及与其他解决方案及服务的互操作性。 因此，安全常常退居次席，只满足最低限度的合规要求。
2/18/2025 8:00:00 AM
布加迪
内含超 100 万小时多语种录音，MLCommons 推出大型音频数据集
这一名为 the Unsupervised People's Speech 的数据集资源来自 Archive.org，整体规模超 48 TB，大部分内容属于美式英语。
2/10/2025 6:07:51 PM
溯波（实习）
UC伯克利等提出具身智能「动作Tokenizer」，效率飙升5倍！
来自π，伯克利和斯坦福的研究者近期提出了FAST，一种为VLA模型设计的高效动作Tokenizer。 FAST旨在解决传统动作Tokenization方法在处理精细任务时面临的挑战，为VLA模型在更复杂、高频的机器人控制任务带来了显著改进。 将FAST与π0 VLA结合，在1万小时的机器人数据上对π0-FAST进行训练，效果与最先进的扩散VLA相当，训练时间最多缩短5倍。
1/22/2025 3:21:00 PM
新智元
中文互联网语料 AI 资源平台发布：27 个数据集、总量 2.7T
中国网络空间安全协会于 1 月 9 日发布公告，面向社会发布中文互联网语料资源平台，支持行业领域、内容模态、体量规模等多种标签分类，便于用户下载与使用。
1/11/2025 7:44:27 AM
故渊
PyTorch Geometric框架下图神经网络的可解释性机制：原理、实现与评估
在机器学习领域存在一个普遍的认知误区，即可解释性与准确性存在对立关系。 这种观点认为可解释模型在复杂度上存在固有限制，因此无法达到最优性能水平，神经网络之所以能够在各个领域占据主导地位，正是因为其超越了人类可理解的范畴。 其实这种观点存在根本性的谬误。
1/9/2025 2:06:31 PM
J Kwak
表格处理神器登上Nature！开箱即用，平均2.8s解读任意表格
电子表格也迎来了自己的ChatGPT时刻。 就在这两天，一个名为TabPFN的表格处理模型登上Nature，随后在数据科学领域引发热烈讨论。 图片据论文介绍，TabPFN专为小型表格而生，在数据集样本量不超过10,000时性能达到新SOTA。
1/9/2025 12:22:04 PM
五部门：加快构建国资央企大数据体系，支持企业开发高质量数据集
国家数据局、中央网信办、工业和信息化部、公安部、国务院国资委 12 月 25 日发布《关于促进企业数据资源开发利用的意见》。
12/27/2024 2:55:51 PM
汪淼
麻省理工研究人员提高机器学习模型准确性
机器学习（ML）有可能通过利用大量数据进行预测洞察来改变医疗决策。 然而，当这些模型在不能充分代表所有人口群体的数据集上进行训练时，就会出现一个严重挑战。 预测疾病患者治疗计划的模型可以在主要包含男性患者的数据集上进行训练。
12/23/2024 1:28:22 PM
AI情报室
LANL将中子星并合用于人工智能训练模型
美国洛斯阿拉莫斯国家实验室（LANL）开发的中子星并合模拟正在为Polymathic AI合作项目做出重要贡献，该项目正在训练人工智能模型，以帮助推动看似不同领域的科学发现。 这些模拟准确地跟踪了宇宙中一些最具活力的事件的后果，为基础模型数据集提供了独特的代码，可以帮助训练人工智能模型，使其能够做出与天体物理学、生物学、声学、化学、流体动力学等领域相关的预测。 中子星并合是指两个中子星互相绕转，释放引力波，轨道能量损失，最终在剧烈碰撞、释放引力波暴之后合二为一。
12/19/2024 2:08:35 PM
AI情报室
终于把机器学习中的交叉验证搞懂了！！
交叉验证是一种评估机器学习模型性能的方法，用于衡量机器学习模型的泛化能力（即在未见数据上的表现）。 它通过将数据集分成多个部分，交替使用不同的部分作为训练集和测试集，从而充分利用数据、避免过拟合或欠拟合，并更准确地评估模型的泛化能力。 核心思想数据划分：将数据集划分为训练集和测试集。
12/16/2024 2:14:19 PM
程序员小寒
资讯热榜
标签云
AI
人工智能
OpenAI
AIGC
模型
ChatGPT
DeepSeek
AI绘画
谷歌
机器人
数据
大模型
Midjourney
开源
智能
Meta
用户
微软
GPT
学习
技术
图像
Gemini
智能体
马斯克
AI新词
AI创作
Anthropic
英伟达
论文
训练
代码
算法
LLM
Stable Diffusion
芯片
腾讯
苹果
蛋白质
Claude
开发者
AI for Science
Agent
生成式
神经网络
机器学习
3D
xAI
研究
人形机器人
生成
AI视频
百度
计算
工具
Sora
GPU
大语言模型
华为
RAG
AI设计
字节跳动
具身智能
搜索
大型语言模型
场景
深度学习
AGI
视频生成
预测
视觉
伟达
架构
Transformer
神器推荐
DeepMind
亚马逊
特斯拉
编程
AI模型