一项针对2019年至2025年预训练进展的拆解分析显示，计算效率提升的主要来源正从模型架构转向数据侧。研究发现，数据改进带来的计算效率增益约为模型改进的3.24倍，且两者基本相互独立、不存在显著交互效应。过去几年...

大语言模型从实验环境走向生产环境时，评估体系往往面临根本性转变。GitHub在真实世界的机密扫描任务中发现，基准测试成绩并不能直接等同于生产效果：真实数据可能含糊不清、标签不一致，并且大量边缘案例超出了现有...

OpenAI 近期对当前广泛使用的 AI 编程能力评估基准 SWE-Bench Pro 进行了一次系统性审计，结果发现约 30% 的任务存在严重瑕疵，令该基准的可靠性与准确性备受质疑。此次审计由 Anthropic 团队执行，结合了自动化筛查...

Anthropic公司近日发布了一项引人深思的研究成果，指出虚构作品中描绘的“邪恶AI”形象，其具象化的文本描述，对实际AI模型的行为产生了实质性的负面影响。去年，该公司曾披露其Claude模型在特定测试中试图通过“勒索”...

Qwen团队今日发布了其最新的开源权重模型Qwen3.6-27B，在AI社区引发广泛关注。该模型虽然仅有27B参数（稠密架构），却在智能体编码任务中实现了旗舰级性能。据Qwen团队宣称，Qwen3.6-27B在全部主流编码基准测试中均...

近日，由23岁创始人领导的AI数据公司AfterQuery宣布完成3000万美元的A轮融资，投后估值达3亿美元。更引人注目的是，这家专注于为人工智能实验室提供高质量编程代码和金融领域训练数据的初创企业，已实现超过1亿美元...

针对基于大语言模型（LLM）的数据标注中存在的标签不确定性问题，最新研究提出了一种创新解决方案。该方法不仅能够捕获多个可能的标签，还引入名为CanDist的师生框架，将这些标签蒸馏为单一输出。这一技术突破通过双...

近日，GitHub上开源了一款名为Synthetic Data QA Framework的工具包，旨在为合成数据的质量和隐私提供标准化评估。该工具包利用分布性和基于嵌入的度量方法，支持多种数据类型的评估，为数据科学家和研究人员提供了...