AutoData：用智能体搜索预训练数据选择算法
原文标题：AutoData: Agentic Search for Pre-training Data Selection
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
研究将预训练数据选择视为对可执行选择算法的智能体搜索，提出AutoData，在评分、分层与随机选择规则构成的程序空间中迭代优化。仅用小型代理模型搜索一夜，即发现优于人工设计数据筛选流程的算法，并能迁移到更大规模、提升下游CORE指标。该工作把数据工程纳入智能体自动机器学习范畴。
- 问题
- 预训练数据选择仍靠人工设计启发式，未纳入智能体自动优化循环。
- 方法
- AutoData 把数据选择视为对可执行选择算法的智能体搜索，在评分、分层、随机选择规则的程序空间中迭代优化。
- 结果
- 一夜搜索即发现优于人工筛选流程的算法，并可迁移到更大规模、提升下游 CORE 指标。
- 影响
- 把数据工程纳入智能体 AutoML，为自动化研究补上数据这一环。
深读 · 结论先行AI 生成展开看要点与影响 ↓
AutoData用智能体搜索数据选择算法，一夜搜索即超越人工设计筛选流程并迁移到更大规模。
- •把预训练数据选择重构为对可执行选择算法的智能体搜索
- •搜索空间覆盖评分、分层与随机选择规则，自动发现特征交互
- •仅用小型代理模型搜索一夜，即找到优于人工设计流程的算法
- •搜索所得配方可迁移到更大规模，并提升下游CORE指标
- •区别于以往只在固定领域集合上优化权重配比的数据混合方法
为什么重要：把数据工程纳入智能体自动机器学习闭环，意味着自动化研究从模型与训练代码延伸到数据侧。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。