Georgia Tech 用 OLMo 揭示训练数据对能力的影响
allen_ai · x · 2026-08-22
佐治亚理工团队利用全开源的 OLMo 生态（模型、Dolma 数据集、WebOrganizer 等），通过影响函数技术，将模型在社交推理和知识问答上的表现追溯到具体的训练文本类型。研究发现，丰富对话和人际写作对推理能力的影响远大于对事实知识的影响。这一研究只有基于完全开源的模型栈才能实现。
所属事件:佐治亚理工用 OLMo 揭示训练数据如何塑造模型能力(3 条相关)→
「研究」频道最新
- WEDGE 论文：把导航失败经历变成可学习的训练环境 — _akhaliq · 2026-10-16
- RExBench 基准:最强编码 Agent 自主完成研究扩展成功率仅 33% — najoungkim · 2026-10-16
- Google 发布 CLASHarness:基准测试多智能体冲突下的计算机操作能力 — google · 2026-10-16
- 清华团队证明:普通 Flow Matching 采样无法突破固定深度模型表达力上限 — SQZ · 2026-10-16
- APEX-Harm 基准:共享工作区中脚本注入攻击对智能体成功率居高不下 — KAUST · 2026-10-16
- USC 研究:智能体 residual stream 状态可预测并拦截越权动作与事后撒谎 — USC · 2026-10-16