AutoSynthData：为企业智能体生成训练数据
为什么值得读 该系统通过针对特定的能力缺口，自动化创建高质量合成数据，为复杂环境中的智能体微调提供了可扩展的解决方案。
ServiceNow研究人员推出AutoSynthData，将模型失败转化为经过验证的训练任务。该系统针对能力缺口自动生成高质量合成数据，为复杂环境中的智能体微调提供可扩展方案。
标签 · #training
SWE-Prime 以更少的轨迹提升模型性能
为什么值得读 开发者应关注此问题，因为嘈杂的监督信号会鼓励模型模仿不良的问题解决行为。
新方法 SWE-Prime 通过过滤训练数据，提升大语言模型解决现实世界软件问题的能力。该方法在轨迹和片段层面逐步筛选数据，剔除无效、冗余或高风险步骤，仅保留对解决方案有积极贡献的片段参与损失计算，同时完整保留上下文。
实体AI算力对决 — Waymo Google Cloud TPU vs Tesla Dojo D1：训练基础设施基准测试 2026
Waymo 使用 Google TPU Pod 并享受补贴算力，每日模拟 150 亿英里。Tesla 建造 Dojo D1 专用芯片训练视频，同步运行 NVIDIA H100 集群。
实体AI数据飞轮 — Tesla 6百万辆车的训练优势、Waymo 5千万英里无人驾驶里程，以及数量还是质量决定AV竞赛胜负
Tesla 6M车队 vs Waymo 5千万无人英里：以数据飞轮为实体AI基准维度，分析数量与质量何者胜出。
Physical AI 数据管线 — Tesla 600万辆车采集飞轮 vs Waymo 每日150亿模拟里程：训练基础设施竞赛
Tesla每日从600万辆车采集数百万英里FSD里程；Waymo每日运行150亿模拟里程。数量vs质量定义了Physical AI数据管线竞赛格局。