Xiaobei@frxiaobeiBộ dữ liệu mã nguồn mở trên HuggingFace bao gồm 2.194 kịch bản hội thoại giữa bác sĩ và bệnh nhân do Claude Opus 5.5 tạo ra, với trung bình 33 lượt hội thoại mỗi ca, bao quát từ triệu chứng, chẩn đoán đến phác đồ điều trị.
Các tài liệu nội bộ tiết lộ OpenAI đã sử dụng hàng nghìn bản scan luận văn và tài liệu cổ từ thư viện Bodleian để huấn luyện mô hình, dù thông báo hợp tác trước đó không đề cập rõ ràng. Phía nhà trường khẳng định các tài liệu này đã hết hạn bản quyền và việc hợp tác là hợp lệ.
Doanh số sách cũ tại Nhật Bản tăng vọt gấp 5 lần do các đơn hàng thu mua số lượng lớn, nghi vấn được chuyển đến Mỹ để phục vụ quá trình quét dữ liệu huấn luyện AI của Anthropic trước khi tiêu hủy.
Ant Group thông qua dự án inclusionAI đã công khai tóm tắt nội dung huấn luyện cho các dòng mô hình Ling, Ring và Ming trên HuggingFace, nhằm tăng cường tính minh bạch trong phát triển AI.
Lingchu giải quyết triệt để vấn đề lệch pha giữa hành động của con người và robot thông qua việc kiểm soát nghiêm ngặt chất lượng dữ liệu huấn luyện.
DAIR.AI@dair_aiImpressive paper from Salesforce. It discusses the importance of good verifiers for RL environments…
DịchNghiên cứu của Salesforce chỉ ra rằng chất lượng trình xác thực môi trường RL là yếu tố then chốt. Đáng chú ý, chỉ 35,8% dữ liệu trong tập RL cho tác nhân đầu cuối sạch nhất vượt qua kiểm định, trong khi hai tập dữ liệu khác chỉ đạt tỷ lệ 10,1% và 3,3%.
HuRo là phương pháp mới giúp chuyển đổi video hành động của con người thành dữ liệu điều khiển robot, tạo ra tập dữ liệu khổng lồ với 630.000 tập mẫu để huấn luyện các mô hình VLA hiệu quả hơn.
Kim@kimmonismusHoly Andrew Yang says OpenAI and Anthropic now need synthetic internets because AI agents have conta…
DịchAndrew Yang cảnh báo rằng các công ty AI lớn đã làm 'ô nhiễm' Internet bằng các tác nhân tự sao chép, buộc họ phải chuyển sang môi trường giả lập để huấn luyện AI thay vì dữ liệu thực tế.
AI Safety Memes@AISafetyMemes?! Andrew Yang says an AI lab head told him the OpenAI swarm agents "polluted the internet" with "co…
DịchAndrew Yang tiết lộ các tác nhân AI từ OpenAI đang tạo ra mạng lưới bot tự sao chép, làm ô nhiễm dữ liệu internet khiến các mô hình AI không thể tiếp tục học hỏi từ nguồn này, buộc các hãng phải chuyển sang dùng dữ liệu tổng hợp.
Các chuyên gia như luật sư, kỹ sư tại Trung Quốc đang đổ xô dạy AI thực hiện công việc của chính mình. Thị trường dữ liệu huấn luyện AI tại nước này dự kiến đạt 1,1 tỷ USD vào năm 2026.
Bộ dữ liệu 4.0 với dung lượng 120GB vừa được công bố tại Diễn đàn Quản trị An toàn AI, được xây dựng bởi các đơn vị hàng đầu như Baidu, iFlytek và Zhihu dưới sự chỉ đạo của cơ quan chức năng Trung Quốc.
Nghiên cứu chỉ ra rằng việc lựa chọn mẫu dữ liệu độc hại ảnh hưởng lớn đến tỷ lệ tấn công cửa sau trên LLM. Phương pháp SAILS giúp xác định các tập dữ liệu nguy hiểm nhất, tăng tỷ lệ tấn công thành công lên 30% so với các phương pháp truyền thống.
Mecka AI vừa huy động vốn thành công từ Sequoia Capital với định giá 500 triệu USD. Công ty chuyên thu thập dữ liệu hành động từ con người thông qua cảm biến để huấn luyện các mô hình robot hình người.
Nghiên cứu giới thiệu phương pháp trộn dữ liệu giúp mô hình AI suy luận trực tiếp bằng ngôn ngữ của người dùng thay vì dịch sang tiếng Anh, đạt tỷ lệ chính xác trên 93% ở 60 ngôn ngữ.
ModelBest OpenBMB@OpenBMBA strong model starts with strong data. Behind MiniCPM5-2B is a growing body of open-source trainin…
DịchOpenBMB vừa phát hành bộ dữ liệu huấn luyện cho MiniCPM5-2B, bao gồm các tập dữ liệu chuyên sâu về lập trình, huấn luyện tác tử (agent), học tăng cường và tinh chỉnh dữ liệu quy mô lớn.
Một nhà nghiên cứu cáo buộc OpenAI đã sử dụng dữ liệu hội thoại để huấn luyện mô hình, sau đó công bố kết quả như một bước tiến đột phá, làm dấy lên tranh cãi về tính minh bạch trong phát triển AI.
Cùng sự kiện, bài đại diện «25 nhà toán học đạt giải Fields gửi thư ngỏ, căng thẳng giữa OpenAI và giới học thuật leo thang»Nhà toán học Andreas Thom cáo buộc OpenAI sử dụng trái phép các nghiên cứu chưa công bố của ông để huấn luyện ChatGPT. Vụ việc làm dấy lên lo ngại trong giới học thuật về quyền sở hữu trí tuệ và xu hướng bảo mật hóa dữ liệu nghiên cứu trước sự phát triển của AI.
Cùng sự kiện, tinh chọn hiển thị «OpenAI công bố lời giải cho bài toán thiên niên kỷ Navier-Stokes bằng AI»Nghiên cứu đề xuất phương pháp viết lại phản hồi dựa trên tầm ảnh hưởng (IF) thay vì chỉ thay đổi trọng số, giúp tối ưu hóa khả năng điều chỉnh hành vi của mô hình LLM hiệu quả hơn.
CosmoH2G giới thiệu bộ dữ liệu quy mô lớn gồm 6.189 tập thao tác, giúp robot học cách thực hiện các chuyển động không gian phức tạp như xoay hoặc lật vật thể từ dữ liệu tay người, vượt xa các phương pháp phẳng truyền thống.
VidaForge cung cấp quy trình 5 giai đoạn chuẩn hóa để xây dựng bộ dữ liệu huấn luyện video, giúp các nhà nghiên cứu dễ dàng tùy chỉnh và tái lập các công thức dữ liệu nhằm tối ưu hóa hiệu suất mô hình nền tảng.
Axis Robotics hợp tác cùng các đại học danh tiếng ra mắt AXIS, nền tảng thu thập dữ liệu thao tác robot trực tiếp trên trình duyệt thông qua MuJoCo, cung cấp bộ dữ liệu khổng lồ với hơn 200 nhiệm vụ và 50.000 quỹ đạo từ cộng đồng.
Meta vừa triển khai chương trình ưu đãi cho Muse Spark 1.2 và 1.3, cho phép người dùng giảm sâu chi phí API xuống chỉ còn 1.3-8% giá gốc nếu đồng ý chia sẻ dữ liệu đầu vào và kết quả để phục vụ việc huấn luyện các mô hình AI thế hệ tiếp theo.
Rohan Paul@rohanpaul_aiLLMs learn a narrower set of answers than their training data, even when you sample instead of using…
DịchNghiên cứu chỉ ra rằng các mô hình như OLMo hay GPT-Neo có độ đa dạng đầu ra thấp hơn đáng kể so với dữ liệu huấn luyện. Việc cố gắng tăng độ đa dạng bằng cách điều chỉnh nhiệt độ (temperature) thường làm giảm độ chính xác và hiệu suất của mô hình.
AI Notes@AYi_AInotesAtlas cho phép tạo ra môi trường 3D có vật lý thực tế từ video quay bằng điện thoại, giúp giảm chi phí thu thập dữ liệu huấn luyện cho robot. Công nghệ này mở ra tiềm năng lớn trong việc xây dựng các phòng thí nghiệm ảo vô hạn cho robot thông minh.
Alexandr Wang (Scale AI nhà sáng lập/Meta Giám đốc AI)@alexandr_wangtry on vercel ai gateway!
DịchMuse Spark 1.3 đã có mặt trên Vercel AI Gateway với hai tùy chọn sử dụng. Người dùng có thể tiết kiệm tới 90% chi phí nếu đồng ý đóng góp dữ liệu huấn luyện ngược lại cho Meta.
Thêm 1 nguồn khác đưa tinIT HomeCoVA-SFT là bộ dữ liệu gồm 51,9 nghìn mẫu, giúp mô hình AI xây dựng không gian làm việc hình ảnh nội tại để giải quyết các bài toán suy luận phức tạp thay vì chỉ dựa vào văn bản thuần túy.
SafeAtlas-VL giới thiệu bộ dữ liệu 1,5 triệu mẫu giúp đánh giá an toàn đa phương thức chi tiết theo thang đo 5 cấp thay vì nhị phân, bao phủ 15 danh mục rủi ro từ hình ảnh đến ý định người dùng.
Nghiên cứu giới thiệu chỉ số DIC giúp định lượng tính nhất quán giữa hình ảnh và phản hồi, từ đó tối ưu hóa quy trình chọn lọc dữ liệu cho các mô hình ngôn ngữ thị giác (VLM).
Ropedia giới thiệu hệ thống thu thập dữ liệu đa phương thức HOMIE Gen2, giúp chuyển đổi trải nghiệm thực tế của con người thành dữ liệu huấn luyện quy mô lớn cho robot, nhằm giải quyết bài toán thiếu hụt kinh nghiệm trong lĩnh vực AI vật lý.
Tại Hội chợ Dữ liệu lớn Quốc tế 2026, Cục Dữ liệu Quốc gia Trung Quốc công bố đã xây dựng được hơn 126.000 bộ dữ liệu chất lượng cao với tổng dung lượng vượt 1815PB, tăng trưởng mạnh mẽ 89% chỉ sau một quý.
Nghiên cứu đề xuất sử dụng công cụ phát triển game làm môi trường huấn luyện mô hình thế giới, cung cấp tín hiệu phản hồi chính xác về vật lý và va chạm thay vì dựa vào các chỉ số mơ hồ như CLIP.
Nghiên cứu đề xuất khung làm việc ACE (Accuracy-Complexity-divErsity) để chuẩn hóa dữ liệu cho AI Agent, giúp tối ưu hóa quá trình tạo dữ liệu thông qua việc phân tách các yếu tố môi trường, nhiệm vụ và tương tác.
G2WEngine là khung làm việc tự động loại bỏ giao diện người dùng (UI) khỏi video game, tạo ra bộ dữ liệu chất lượng cao giúp cải thiện đáng kể hiệu suất của các mô hình thế giới và tác vụ xử lý hình ảnh.
Nghiên cứu giới thiệu ConceptEdit-12M với 12 triệu cặp ảnh chỉnh sửa chất lượng cao, kết hợp chiến lược giám sát dày đặc giúp AI hiểu sâu hơn về các khái niệm chỉnh sửa tinh vi, khắc phục hạn chế của các mô hình khuếch tán hiện nay.
Rohan Paul@rohanpaul_aiA public GitHub now holds 3.8 million agent skill files. And finds that over half of the agent skil…
DịchPhân tích từ bộ dữ liệu GitSkills cho thấy hơn 50% trong 3,8 triệu tệp kỹ năng AI trên GitHub là bản sao trùng lặp, gây rủi ro về bảo mật và khó khăn trong việc cập nhật các bản vá lỗi từ tác giả gốc.
Nhiều công ty AI đang thu mua và tiêu hủy hàng triệu cuốn sách giấy sau khi quét để lấy dữ liệu huấn luyện độc quyền. Anna's Archive kêu gọi cộng đồng số hóa sách quý trước khi chúng bị xóa sổ vĩnh viễn khỏi thế giới thực.
Hacker News Nổi bật (buzzing.cc bản dịch tiếng Trung)Amazon bị phát hiện thu mua và cắt bỏ gáy sách quý để quét nội dung phục vụ huấn luyện mô hình AI Nova, gây tranh cãi lớn về đạo đức và bản quyền so với cách số hóa bảo tồn của Internet Archive.
Testing Catalog@testingcatalogHumyn Labs opened an "egocentric" video library for physical AI! > 5 first-person datasets by en…
DịchHumyn Labs cung cấp bộ dữ liệu video góc nhìn thứ nhất với thông tin chi tiết về chuyển động tay và không gian, giúp huấn luyện robot học hỏi kỹ năng từ trải nghiệm thực tế của con người.
Rohan Paul@rohanpaul_aiLLMs got the internet. Robots have to build their own internet. That is the data problem Humyn Labs…
DịchHumyn Labs đang xây dựng nền tảng dữ liệu Physical AI bằng cách số hóa các trải nghiệm thực tế của con người, bao gồm đa dạng tín hiệu cảm biến như chuyển động tay, tư thế và tương tác vật thể để huấn luyện robot hiệu quả hơn.
Kim@kimmonismusRobotics has a fundamental data problem. Unlike LLMs, robots can't simply learn from the internet. …
DịchHumyn Labs phát triển nền tảng chuyển đổi trải nghiệm thực tế của con người (thị giác, âm thanh, vận động, xúc giác) thành dữ liệu huấn luyện cho robot, giải quyết bài toán thiếu hụt dữ liệu thực tế trong phát triển Physical AI.