AI 公司转向收购旧书，只为躲开训练集里的 AI 垃圾
CackleRooster · reddit · 2026-07-21
帖子引述一篇文章称，AI 公司正在大量购买旧书，因为这些印刷书籍几乎不含 AI 生成内容。
其背后的理由是，今天可抓取的网页数据里已经混入越来越多的合成文本，可能污染训练集并引发“模型塌缩”。文章因此把 2022 年前出版的旧书视为更干净、更适合训练的数据来源。
所属事件:为躲避AI污染，AI公司疯抢旧书做训练数据(2 条相关)→
「研究」频道最新
- Meta FAIR 提出 Self-Direction:把 agent 失败变成 LoRA 技能,成功率提 13.8pp — karen_ullrich · 2026-10-27
- DONIC 双手机器人追踪成功率 86.79%，远超此前 SOTA 的 9.43% — liuziwei7 · 2026-10-27
- 为什么没有更多 10M 上下文模型?研究者抛出注意力机制疑问 — agarwl_ · 2026-10-27
- 研究者吐槽:论文里 PSNR 低于 15dB 基本是用错了指标 — kwangmoo_yi · 2026-10-27
- Ortet 首批医疗评测:34 个开源模型 50 项任务,通用排名不够用 — thegautamkamath · 2026-10-27
- Scaling 拟合之争:Uncheatable 计入输出头 FLOPs,Paloma 剔除,最小档差距高达 65% — dlwh · 2026-10-27