SWE-Prime 以更少的軌跡提升模型效能
為什麼值得讀 開發者應關注此議題，因為雜訊監督可能促使模型模仿不理想的問題解決行為。
新方法 SWE-Prime 透過過濾訓練數據，提升大型語言模型解決現實軟體問題的能力。此方法採用多粒度、兩階段選擇策略，在軌跡與片段層級逐步篩選，確保僅貢獻正向解的片段用於損失計算，同時保留完整上下文，避免引入雜訊監督並鼓勵模仿不良行為。
標籤 · #data
自駕車資料即商業 — 車隊資料所有權與機器人計程車競賽背後的隱藏變現模式
每輛自駕車都是資料收集機器。誰擁有車隊資料？機器人計程車競賽背後藏著哪些變現模式？
AV 資料飛輪比較 — Tesla 數量 vs. Waymo 品質與 AI 訓練競賽
Tesla 擁有數十億英里的監督里程；Waymo 擁有數千萬英里完全無人駕駛里程。哪種資料類型能贏得 AI 訓練競賽？
實體AI資料飛輪 — Tesla 6百萬輛車的訓練優勢、Waymo 5千萬英里無人駕駛里程，以及數量還是品質決定AV競賽勝負
Tesla 6M車隊 vs Waymo 5千萬無人英里：以資料飛輪為實體AI基準維度，分析數量與品質何者勝出。
實體 AI 資料隱私 2026——Waymo 商業車隊相機匿名化 vs Tesla 消費者訓練資料 GDPR 與中國審查：AV 資料治理基準報告
Waymo 對商業車隊資料中的人臉與車牌進行匿名化處理。Tesla 600 萬輛車的訓練數據管線面臨 GDPR 張力與中國相機審查壓力。