研究：面向 LLM 预训练数据的主机感知网页爬取
原文标题：Host-Aware Web Crawling for LLM Pretraining Data
重要度 2/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
论文研究爬虫如何在主机间与主机内分配预算以获取更多高质量预训练数据，发现约一半质量分类器分数差异来自主机之间。模拟显示，先用少量页面采样估计主机质量再加深爬取，比均匀深度或基于中心性的分配能多收集数倍高质量页面。
- 问题
- 爬虫如何在主机间与主机内分配预算，以获取更多高质量预训练数据。
- 方法
- 结合质量分类器分数、图中心性与 Common Crawl 覆盖度分析，先少量采样估计主机质量再加深爬取。
- 结果
- 约一半质量分数差异来自主机之间；采样后加深爬取比均匀深度或中心性分配每抓取多收集数倍高质量页面。
- 影响
- 预训练数据团队可据此调整爬取调度，用同样带宽拿到更多高质量页面。
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。