《纽约时报》和《每日新闻》在版权诉讼中遭遇意外转折:OpenAI一名工程师不经意间删除了可能成为关键证据的虚拟机搜索数据，令这起备受关注的法律纠纷再添戏剧性情节。根据周三晚间提交至纽约南区美国地方法院的信件，两家媒体公司的律师和技术专家此前已投入逾150小时搜索OpenAI的AI训练数据集。然而，11月14日，一名OpenAI工程师意外删除了存储在虚拟机上的全部搜索数据。尽管OpenAI随后尝试恢复数据并取得基本成功，但由于文件夹结构和文件名已"无法挽回"地丢失，恢复的数据实际

北京百川智能科技有限公司近日宣布推出其一站式解决方案，旨在帮助企业以低成本实现大模型的私有化部署，并提高效率。这套解决方案包括全链路优质通用训练数据、Baichuan4-Turbo和Baichuan4-Air两款模型，以及全链路领域增强工具链，能够满足企业在不同场景下的需求。

最近，开放源代码倡议组织（OSI）发布了一项新定义，明确什么才算是真正的 “开源” 人工智能。这一新标准引起了科技巨头们的关注，尤其是 Meta 的 Llama 模型，因为它并不符合这些规则。OSI 一直是开放源代码软件的行业标准制定者，但在 AI 系统中，有一些传统许可证未能覆盖的元素，比如模型训练数据。根据 OSI 的新定义，任何被认为是真正开放源代码的 AI 系统必须提供三样东西:首先是有关训练 AI 所用数据的详细信息，以便他人能够理解并重现这些结果;其次是用于构建和运行 AI 的

瑞士洛桑联邦理工学院 （EPFL） 的一项最新研究比较了两种主流的大型语言模型 (LLM) 适应性训练方法:上下文学习 (ICL) 和指令微调 (IFT)。研究人员使用 MT-Bench 基准测试来评估模型遵循指令的能力，发现在特定情况下，两种方法的表现各有优劣。研究发现，当可用的训练样本数量较少时（例如不超过50个），ICL 和 IFT 的效果非常接近。这表明在数据有限的情况下，ICL 或许可以作为 IFT 的替代方案。然而，随着任务复杂度的增加，例如在多轮对话场景中，IFT 的优势就变得明显。研究人员认为，

近日，OpenAI 一起备受瞩版权诉讼中达成了一项协议，决定向原告律师披露用于训练生成性 AI 模型的数据。图源备注:图片由AI生成，图片授权服务商Midjourney这场官司的原告是包括保罗・特伦布雷、莎拉・尔弗曼、迈克尔・查邦、大卫・亨利・黄和塔 - 内西・茨等多位知名作家。他于去年对 OpenAI 及其附属提起诉讼，指控其 AI 在未经授权的情况下使用了他们的作品，并在此基础生成文本，违反了美国版权法和州不公平竞争法。根据美国地方法罗伯特・尔曼的裁定，原告的将获得进入 OpenAI 设

在人工智能迅速发展背景下，百度贴吧的"弱智吧"意外成为AI训练的重要数据来源，挑战了人们对高质量数据的传统认知。该社区以其荒诞幽默的内容，在问答、头脑风暴等测试中超越了知名平台，成为受欢迎的AI训练数据库之一。研究发现，"弱智吧"的口语化、多轮问答语料，有助于AI更接近人类交流方式。AI在理解人类幽默方面存在局限，而"弱智吧"的段子通过逻辑严密、修辞丰富和生活观察，为AI提供了宝贵的学习素材，锻炼了其对中文的理解和推理能力。这一现象揭示了人类智慧与创造力的独特性，提醒我们在AI时代仍需珍视人类的幽默感和创造力。

LAION发布Re-LAION-5B，全球首个全面清除CSAM链接的AI训练数据集，旨在解决儿童性虐待材料（CSAM）问题。该数据集在LAION-5B基础上进行了重大改进，主要分为Re-LAION-5B Research和Research-Safe两个版本，共移除2236个CSAM链接，其中1008个来自儿童保护组织名单。数据集包含55亿对文本和图像，旨在帮助清理现有数据集，移除所有匹配的CSAM内容。LAION希望通过此举为网页规模数据集的安全标准设定新基准，解决AI训练数据集中CSAM问题的严重性，尤其是AI生成CSAM内容的增长对真实案件调查和社交媒体平台报告数量的影响。

《经济学人》杂志文章指出，AI公司面临因互联网高质量数据枯竭导致的"数据墙"挑战，预测到2028年，所有高质量文本数据将被用尽，影响机器学习进展。加州大学伯克利分校教授斯图尔特·罗素曾警告ChatGPT等AI可能耗尽宇宙中的文本。然而，斯坦福大学教授李飞飞表示，仍存在大量差异化数据可挖掘。为解决数据短缺，使用合成数据成为可能的解决方案，但《自然》杂志论文提出使用AI生成的数据集训练模型可能导致"模型崩溃"，建议保留原始数据，使用多样化数据源，并研究更鲁棒的训练算法。突破"数据墙"限制，确保高质量训练数据的持续供应，是AI行业亟待解决的紧迫课题，需要技术创新和多方合作。

近日，由国家超级计算成都中心、中国地震局地球物理研究所和清华大学联合开发的"谛听"地震波大模型在四川成都正式发布。该模型是国内首个达到亿级参数量的地震波大模型，标志着我国地震学研究和人工智能技术融合的重要突破。

AI模型正逐渐失去对网络训练数据的访问权限，数据屏蔽比例从1%增至5-7%。研究分析了14,000个域名的robots.txt文件和使用条款，发现新闻网站、论坛和社交媒体平台是限制AI数据访问的主要来源，其中新闻网站的屏蔽比例从3%激增至45%。高质量新闻内容在AI训练数据中的占比减少，低质量企业电商内容可能取而代之。这一趋势对AI开发者构成挑战，因为高质量数据对于训练优秀模型至关重要。高质量内容提供者可能通过与AI公司达成许可协议找到新的收入来源。Meta和OpenAI已与出版商达成数百万美元交易获取内容用于AI训练，预计其他公司也将效仿，除非法律判决发生重大变化。

​IBM 于五月份开源了适用于企业应用场景的 Granite13B LLM 模型。现在，IBM 的 AI 平台产品副总裁阿曼德・鲁伊兹（Armand Ruiz）公开了用于训练 Granite13B 的全面6.48TB 数据集的完整内容。

Spawning 致力于为艺术家提供更多对其作品在线使用的控制权，该公司推出最新的项目名为 Source.Plus，旨在筛选出 “非侵权” 媒体内容，用于 AI 模型的训练，使艺术家和创作者能够更加精细地管理其作品的使用权限。

["Automattic 与 Midjourney 和 OpenAI 谈判共享用户帖子的训练数据","Automattic 计划允许用户选择退出与第三方数据共享","其他公司也与 AI 公司合作提供训练数据，引发创作者抗议"]

["美国社交媒体平台Reddit与谷歌达成协议，价值每年约6000万美元","施普林格出版集团与OpenAI合作，成为首家深度整合新闻业与人工智能技术的出版机构","OpenAI与Axel Springer签订合作协议，表明未来大模型训练或将向数据提供方付费","出版行业公司拥有丰富电子化图文资源，有望成为大模型训练重要数据集"]

["音乐发行商对Anthropic提出的初步禁令","Anthropic回应使用受版权保护的内容作为LLM训练数据是合理的","Anthropic拒绝禁令请求","训练系统获取许可将意味着终结通用AI工具"]

["智源研究院发布了名为 TACO 的代码生成训练数据集，旨在为代码生成模型提供更具挑战性的训练数据和评测基准。","TACO 在数据规模、质量和评测方案上具有优势，包括更大规模的训练集和测试集，多样化的解题答案，以及细粒度的标签。","实验结果显示，当前流行的代码生成模型在 TACO 评测中与 GPT-4 存在显著差异，说明该领域仍有提升空间。","TACO 不仅是一个挑战性的测试方法，还可用作改进模型性能的训练数据，促进代码生成领域的发展。"]

[" 研究发现，ChatGPT等大型语言模型在训练过程中会记住一定数量的原始训练数据，攻击者可以通过特定的攻击方法，从模型中提取大量训练数据，威胁数据所有者的隐私。"," 研究人员使用了一种“可提取记忆”的攻击技术概念，发现即使不使用真实的训练数据作为提示，现有的提取攻击也能恢复大量记忆中的训练数据。","⚠️ 研究人员建议开发和使用大型语言模型时，应做好数据安全保护措施，例如采用加密、去标识等技术，防止数据泄漏。"]

["Google Deepmind、华盛顿大学等团队通过“诗歌攻击”成功揭示ChatGPT训练数据来源。","攻击手法涉及重复特定词汇，导致ChatGPT泄露个人信息，包括电话号码、邮箱等。","漏洞已于8月30日通知OpenAI，尚未有进一步评论。","研究呼吁环保AI使用，指出文本和图像生成对环境造成巨大能源负担。"]

["AI公司可能在不远的将来面临培训数据枯竭的风险，高质量文本培训数据或将在2026年耗尽。","使用合成数据可能导致模型内在的畸形效应，研究表明其风险。","解决方案可能在于建立数据合作伙伴关系，通过交换数据来缓解供应问题。"]

["OpenAI启动Data Partnerships计划，与第三方机构合作，创建用于AI模型训练的公共和私有数据集。","OpenAI寻求多领域、多语言、多格式的数据，以提高AI模型的广泛理解。","OpenAI计划采集各种形式的数据，包括图像、音频和视频，以反映人类社会，以实现更安全、有益于全人类的AI目标。","OpenAI的举措引发了关于数据拥有者权益和透明度的讨论。"]