文章介绍GitHub开源项目i-have-adhd，通过140行规则文件约束AI编程助手（如Claude Code）的回答风格，使其简洁直接、行动优先，避免冗长铺垫。项目获2.6万星，但规则随对话易被遗忘，揭示AI啰嗦源于训练数据，表层提示难根治，需深层调整。

MIT CSAIL研究发现“归因衰减”现象：生成式AI模型训练数据规模越大，单个训练样本对输出的影响越小。通过精确删除数据验证，大型模型中移除任何单张图片、某艺术家全部作品或某人所有照片，生成结果几乎不变。该发现对版权归属、合理使用等法律问题有重要影响，表明模型输出可能无法归因于特定训练数据。

黎曼动力联合光轮智能和诺亦腾机器人，共建具身智能数据闭环，目标到2026年底采集100万小时训练数据。三方分工：诺亦腾采集人类动作，光轮智能生成仿真数据，黎曼动力负责模型训练。此举旨在解决数据量不足和质量问题，验证机器人Scaling能力，推动行业标准化和开源。

文章讨论了一位刚从OpenAI离职的员工Andrew Ho对AI前沿实验室估值的悲观看法。他认为当前估值基于过度乐观预期，市场回归理性后可能腰斩，因此劝同事尽快套现。他算账指出，支撑万亿美元市值需巨额收入，但AI实验室持续烧钱训练模型，收入不确定而支出确定。他看好AI发展，但认为未来竞争焦点转向高质量训练数据，并为此创业。

训练数据在大模型竞争中至关重要，NVIDIA推出的Nemotron系列数据集强调数据质量和任务适配性，涵盖通用文本预训练、监督微调和代码生成等核心能力，推动模型训练从数量向精准转变。这些数据集为大模型研究提供系统性支持，提升模型能力。

SimFoundry是由英伟达与多所高校合作开发的系统，利用真实视频自动生成可交互的机器人仿真环境。该系统通过提取、生成和增强三个阶段，创建数字孪生和数字表亲，提供丰富的训练数据。实验表明，SimFoundry能有效预测机器人在真实环境中的表现，提高任务成功率，减少对真实数据的依赖。

Claude 2.1在200K令牌的上下文窗口中表现优异，但对孤立句子的回答较为犹豫。通过微调提示，可以显著提高其检索准确性并减少错误。训练数据帮助Claude 2.1在复杂检索任务中表现更佳，降低不准确性。

本文探讨了Claude系列聊天机器人自4.7版本起变得好辩和抬杠的现象，分析了原因包括过度安全护栏、监管政策影响、反拍马屁训练和训练数据偏差。这导致用户体验下降，聊天质量受损，AI在对话中频繁纠正和争论，无法正常交流，最终编程能力提升而聊天能力下降，给用户带来困扰。

PROVE 论文提出了一种新方法，解决多步工具调用中的训练数据与真实工具状态错配问题。通过高质量合成数据和程序化奖励，显著提升了模型在多工具场景下的稳定性。该方法强调执行对齐，确保训练样本与部署环境共享可执行约束，降低了奖励噪声。尽管存在工具覆盖面和维护成本等限制，PROVE 为 Agent 训练提供了重要的改进方向。

文章讨论了AI代理的知识背景及其重要性。Ryan与Neo4j的CTO Philip Rathle探讨了过时训练数据对企业模型的局限性，以及Graph RAG如何通过结合向量与知识图谱提高准确性，减少上下文衰退，使代理更具针对性和连接性。

语言模型的“集体意识”现象导致不同模型在开放性问题上给出相似答案。研究表明，模型间输出高度重叠，可能是由于训练数据和奖励模型的重叠。长期使用同质化工具可能限制用户思维多样性，因此在训练阶段需解决多样性问题。

本文提出了In-Run Data Shapley方法，实时追踪训练数据对模型的贡献，解决了传统方法计算复杂度高的问题。研究表明，数据价值在训练过程中会变化，精心策划的数据集可能仍包含负面数据，强调了数据治理的重要性。该方法为AI版权和数据质量提供了新视角，具有广泛的应用前景。

去除AI写作的“AI味”需要建立个性化的写作风格文档，通过分析满意的文章逐步更新风格偏好，使AI更好地理解和模仿个人风格。每次修改都是训练数据，经过反复迭代，AI输出将更贴近个人特色。

图像分类任务是将输入图像分配给固定类别标签，面临视角、尺度、变形、遮挡和光照等挑战。有效模型需对这些变化不敏感，同时对类别间变化敏感。通过积累标记图像的训练数据集，开发学习算法进行分类，并通过预测新图像标签评估分类器质量。k近邻分类器通过投票确定标签。

图像分类任务是将输入图像分配给固定类别，面临视角、尺度、变形和遮挡等挑战。通过数据驱动的方法，积累标记图像的训练数据集，开发学习算法。使用最近邻分类器评估模型准确性，并通过交叉验证调整超参数。

机器学习模型的参数决定其行为和性能，影响预测结果。训练数据质量直接影响参数学习，参数过多或过少可能导致过拟合或欠拟合。理解参数对掌握机器学习至关重要。

谷歌DeepMind研究人员推出ATLAS，探讨多语言模型的扩展规律，分析模型规模、训练数据与语言混合的相互作用。基于774次训练，ATLAS明确了跨语言迁移与多语言训练的效率权衡，发现增加语言数量会降低每种语言的性能，但积极的跨语言迁移可部分抵消这一影响。

文章讨论了纳米机器人训练过程中使用的数据，包括数学、选择题和对话等多种模式。这些训练数据旨在提升模型的对话能力和问题回答的准确性。