★ 4
Anthropic 被指用斯坦福教授书籍非法训练 Claude
有报道称 Anthropic 在训练 Claude 时使用了斯坦福大学教授的书籍内容，涉嫌未经授权使用受版权保护作品。该指控再次将大模型训练数据的版权合规问题推向争议焦点。
Hacker News5 天前
#训练数据
共 34 篇相关资讯，按重要度与时间排序，每 3 小时更新。
★ 4
微软高管内部称AI训练是史上最大劳动盗窃
《纽约时报》诉微软与OpenAI版权案解封文件显示，微软应用科学总监Brent Hecht私下将用新闻内容训练AI称为“人类史上最大的劳动盗窃”。OpenAI的ChatGPT负责人也承认《纽约时报》等出版商面临“生存威胁”，其产品具有替代性。该案已与多家媒体的诉讼合并，成为针对AI公司版权问题的重…
快公司44 天前
★ 4
AI版权诉讼文件披露微软高管惊人承认
AI版权诉讼新披露的文件显示，微软一位高管就训练数据来源作出令人震惊的承认，涉及大规模内容使用问题。该证据可能对正在进行的版权案件走向产生重大影响，并加剧科技巨头在数据合规上的压力。
Hacker News – AI45 天前
★ 4
又一名研究员称OpenAI用对话训练却宣称突破
又一名研究员指控OpenAI使用对话数据进行训练，却对外宣称取得突破。该争议延续了对OpenAI研究透明度与成果真实性的质疑，在Hacker News引发热议。
Hacker News52 天前
★ 4
数学家质疑OpenAI使用其未发表成果
继此前争议后，又一位数学家 Andreas Thom 公开指责 OpenAI 行为不诚实、缺乏训练数据透明度。他怀疑自己与 ChatGPT 的交互被用于训练，从而助力 OpenAI 的数学突破，并要求公司披露相关数据集以自证清白。
The Verge AI52 天前
★ 3
维基媒体基金会斡旋 AI 版权协议以自救
维基媒体基金会正试图通过促成一项 AI 版权协议来缓解自身面临的生存压力，充当内容方与 AI 公司之间的中间人。此举涉及训练数据授权与版权补偿等核心争议，若达成将为开放知识内容与 AI 训练之间建立新范式。结果可能影响维基百科的长期资金来源与内容授权模式。
Hacker News – AI1 天前
★ 3
OpenAI 将遵循共享 robots.txt 信号表达 AI 训练偏好
OpenAI 宣布将遵循一种共享的 robots.txt 信号，帮助网站运营者向参与该机制的 AI 提供商表达其内容是否可用于 AI 训练。此举旨在为网站与 AI 公司之间提供更统一的训练数据偏好沟通方式。
OpenAI2 天前
★ 3
研究：读者更偏爱用版权书籍训练的 AI 而非人类专家写作
一篇 arXiv 论文通过实验发现，读者在阅读偏好上更倾向于由受版权书籍训练的 AI 生成的内容，而非专家人类作者的作品。研究为版权数据训练与创作质量的争论提供了实证依据，也触及版权合规与内容价值的边界。
Hacker News – AI6 天前
★ 3
Anthropic 被诉用 274 首猫王歌曲训练 AI 模型
据《卫报》报道，Anthropic 因涉嫌使用 274 首埃尔维斯·普雷斯利（猫王）歌曲训练 AI 模型而被起诉。该案延续了音乐版权方针对生成式 AI 训练数据的诉讼潮，可能进一步影响 AI 公司使用受版权保护素材的合规边界。
Hacker News – AI7 天前
★ 3
Anthropic 因使用猫王音乐训练 AI 被起诉
Anthropic 被起诉在训练 AI 模型时使用了埃尔维斯·普雷斯利（猫王）的音乐作品。该案属于版权方针对生成式 AI 训练数据的又一起诉讼，可能影响 AI 训练数据合规边界。
Hacker News – AI7 天前
★ 3
谷歌拟 1000 万美元收购 Spirit 航空数据档案训练 AI
谷歌在 Spirit 航空破产程序中出价 1000 万美元收购其业务数据档案，包含约 1 亿封员工邮件、5 亿条 Teams 消息和 3000 万行源代码。谷歌希望用这些真实企业数据训练 AI 模型，帮助智能体理解组织运作与问题解决流程。这反映出 AI 公司正从抓取互联网数据转向收购真实商业数据。
快公司10 天前
★ 3
MagicBeanStalk 提出递归数据合成，破解 RLVR 零优势陷阱
论文指出常用开源数学语料约88%的问题落入零优势陷阱，即每次 rollout 全对或全错。为此提出 MagicBeanStalk 递归数据合成算法，自顶向下分解、自底向上生长出难度校准的新问题。在8个数学基准上，gpt-oss-120b 从61.2提升至69.8，DeepSeek v4Flash …
arXiv cs.AI20 天前
★ 3
论文工厂影响已开始波及大模型查询结果
爱沙尼亚新闻网站ERR报道称，学术「论文工厂」批量产出的低质论文已多到足以开始影响大语言模型的查询与回答结果。该话题在Hacker News引发讨论，涉及训练数据污染与模型输出可信度问题。
Hacker News – LLM22 天前
★ 3
出版商有了AI买家，却在定价上毫无话语权
随着生成式AI训练数据争议升级，《纽约时报》诉OpenAI案披露的内部文件显示，两家公司员工早已知晓抓取内容的法律与道德风险。微软高管曾称这是「人类历史上最大的劳动窃取」。内容有价值已成共识，但出版商在定价谈判中仍处弱势。
快公司31 天前
★ 3
联邦上诉法院维持汤森路透AI版权案胜诉判决
美国联邦上诉法院维持了汤森路透在AI版权诉讼中的里程碑式胜诉判决，该案涉及AI训练使用受版权保护内容的法律边界。这一裁决对AI训练数据的版权合规具有重要参考意义。
Hacker News – AI31 天前
★ 3
Snorkel AI 估值翻三倍至35亿
成立七年的Snorkel AI完成3.5亿美元E轮融资，估值翻三倍至35亿美元。该公司主打“数据即服务”，为AI模型提供训练数据。此轮融资反映出市场对高质量AI训练数据的旺盛需求。
TechCrunch AI40 天前
★ 3
AI高管称或已犯下史上最大规模劳动力窃取
Mother Jones披露OpenAI与微软版权诉讼案文件中的相关言论，一位AI高管被指称可能实施了人类历史上规模最大的劳动力窃取。该案涉及ChatGPT训练数据的版权争议，可能对AI行业的数据合规与法律责任产生深远影响。
Hacker News – AI40 天前
★ 3
AI 聊天机器人痴迷的虚构人物 Elias Thorne
Vice 报道了一个奇特现象：多个 AI 聊天机器人都对一位名为 Elias Thorne 的虚构人物表现出异常关注。文章追溯该名字在训练数据与模型输出中的传播路径，揭示大模型幻觉与数据污染的连锁效应。
Hacker News – AI43 天前
★ 3
提问：为何AI会给出带有种族与性别偏见的回答？
有用户反映，Google AI 模型在面对不同宗教、族裔或性别对象时给出明显不一致的安全建议，例如对穆斯林或男性场景建议报警，而对其他群体则态度温和。该讨论指向训练数据中存在的偏见与网络内容对模型行为的放大效应。
Hacker News – AI48 天前
★ 3
Meta 因 AI 训练数据与人脸识别系统被起诉
Meta 因 AI 训练数据及人脸识别系统相关问题遭到起诉。该诉讼涉及数据隐私与生物识别信息合规，是 AI 训练数据版权与隐私争议的又一案例。
Hacker News – AI51 天前
★ 3
EnvCraft：合成可执行环境训练智能体
EnvCraft框架自动合成沙箱隔离的可执行环境和任务轨迹，用于智能体强化学习训练。实验表明，在Qwen模型上训练后，Claw风格基准提升11.9%，通用工具使用基准提升8.0%，同时降低推理成本。
arXiv cs.AI53 天前
★ 2
综述：推理大模型的有监督微调方法全景
论文系统梳理面向推理大模型的监督微调（SFT）研究，从方法设计与分析研究双视角展开。方法层面分为以数据为中心与以算法为中心的改进，分析层面沿数据特性、优化动力学与机制解释三个维度组织，并指出当前瓶颈与未来方向。
arXiv NLP2 天前
★ 2
arXiv 论文提出数据选择忠实性框架与可扩展算法
该论文指出，传统以最小化总体误差为目标的数据选择在信息论上不可行，除非验证集规模远大于训练集。作者转而提出「忠实性」单边保证，用可估计代理上界衡量子集训练与全量训练的差异，并以 Unadjusted Langevin Algorithm 建模训练过程。论文提出基于交换的局部搜索算法，在 CIFAR…
arXiv cs.LG9 天前
★ 2
研究追踪维基百科受制裁作者文本流入大模型输出
一篇论文研究受制裁作者的维基百科文本如何进入大语言模型输出，通过溯源分析揭示训练数据与生成内容之间的关联路径。该工作对数据来源合规与模型输出归因具有参考价值。
Hacker News – LLM12 天前
★ 2
arXiv 论文：稀疏自编码器数据规模收益递减
该研究训练四种稀疏自编码器（SAE）架构，在三个语言模型上测试 5M 到 500M token 的训练预算，发现功能收敛与特征可复现性对数据量的需求差异巨大。Gemma-2-2B BatchTopK 的严格匹配特征比例从 5M token 时的 2% 升至 50M 时的 29%。结果表明按目标匹配…
arXiv cs.LG16 天前
★ 2
Show HN：trainedon.me 记录 AI 是否用你的提示训练
开发者发布 trainedon.me，用带日期的记录追踪各家 AI 服务条款中关于「是否用用户提示训练模型」的表述变化。该项目旨在让用户看清平台条款的细微措辞与更新历史。
Hacker News – AI23 天前
★ 2
AI 聊天机器人准确性差的成因探讨
一位开发者提出，AI 聊天机器人准确性差的原因之一，是训练数据中大量看似权威但实际错误的网络内容。人类能凭理解自动纠正这类表述，而基于下一词预测的模型缺乏这种理解，因而会复述错误信息。
Hacker News – AI30 天前
★ 2
AI下一批训练数据：你的游戏操作
Wired 报道称 AI 训练数据的下一波来源可能是玩家在游戏中的操作行为，包括那些并不高明的游戏技巧。这类真实交互数据可帮助 AI 学习决策与操作策略，为具身智能和游戏 AI 提供新素材。
Hacker News – AI34 天前
★ 2
★ 2
严格 AI 训练数据透明度的理由
一篇评论文章主张对 AI 训练数据实施严格的透明度要求。文章认为公开训练数据来源有助于版权合规、偏见审查与公众信任。该议题与当前围绕数据版权的监管争论密切相关。
Hacker News – AI47 天前
2026-W44本周版权诉讼方向仅有一条进展：Anthropic 因猫王音乐版权被诉，相关报道 2 篇。相比此前围绕训练语料的集体诉讼，这次争议落到具体音乐作品授权上，说明版权方开始逐项追责，AI 公司的内容合规压力从文本扩展到音频素材。