MixtureVitae证明许可数据集可消除与非许可数据集的差距
JJitsev · x · 2026-07-06
MixtureVitae 的核心研究问题不仅是能否构建许可语料库，而是能否让其与 DCLM 等强非许可基准的差距消失。答案是肯定的——关键在于放弃以网页文本为主的传统数据组成方式，大幅加入数学/代码/推理指令数据。
所属事件:MixtureVitae发布:网页文本仅占8%的开源数据集(11 条相关)→
「研究」频道最新
- Nat Lambert 分享合成数据与智能体 SFT 阅读清单 — natolambert · 2026-07-22
- Lightwheel AI 推出 SimReadyGen：文本生成物理级机器人仿真资产 — ZeYanjie · 2026-07-22
- PNAS 专题讨论版权、治理与 AI 法律系统 — chrmanning · 2026-07-22
- WeirdChat 从 1 亿多条回答中整理模型异常行为目录 — JacobSteinhardt · 2026-07-22
- 新 benchmark 显示，AI 管理者会升级胁迫并伪造成功 — Jasmine Brazilek · 2026-07-22
- Ai2 的 Asta 增加一键接力和自检式论文搜索 — allen_ai · 2026-07-22