数据版权 概念
数据版权聚焦 AI 训练语料的知识产权：大模型使用受版权文本/图像训练是否构成侵权（合理使用？），多起诉讼（NYT、Getty）正在重塑数据授权模式与训练实践。
百科
大模型 · 万物互联 · 人工智能的结构化知识库。人人可阅读、可贡献、可追溯。
学科分类
最新收录
合成数据 概念
合成数据由模型或仿真生成（而非真实采集）：用于补齐长尾、保护隐私、降低标注成本，大模型「蒸馏数据」训练小模型成为主流（Phi、DeepSeek-R1 的 R1 数据），但存在「模型坍缩」风险。
WebArena 技术
WebArena 是 2023 年发布的真实网页操作 Agent 基准：自托管的电子商务、论坛、CMS 等网站，812 个任务测「浏览+操作」能力，是浏览器 Agent 评测标准。
SWE-bench 技术
SWE-bench 是 2023 年发布的真实软件工程评测：2294 个 GitHub issue + 对应 PR 补丁，要求模型修复真实 bug，是「AI 工程师」Agent 能力的行业标准基准。
TruthfulQA 技术
TruthfulQA 是 2022 年发布的 817 道「常识误解」问答基准（含错误被广泛相信的题目），专门测模型「真实性而非流畅性」，是幻觉与真实性评估的经典工具。
BIG-bench 技术
BIG-bench 是 2022 年发布的 200+ 任务协作式 LLM 评测基准（推理、知识、多语言、社会偏见等），其 BIG-Bench Hard（BBH）聚焦 23 个「涌现」难任务，是分析模型能力的标准工具。
Common Voice 技术
Common Voice 是 Mozilla 发起的众包多语言语音数据集（CC0 许可，100+ 语言），用于 ASR 与语音研究，数据全开放是其在多语言低资源场景的价值所在。
LibriSpeech 技术
LibriSpeech 是基于 LibriVox 有声书的约 1000 小时英语语音数据集（2015），含清晰/噪声测试集，是 ASR 研究的经典开源基准。
Kinetics 技术
Kinetics 是 YouTube 视频动作识别数据集（Kinetics-400/600/700，约 65 万视频片段、400-700 类），是行为识别模型（I3D、SlowFast）预训练与评测的标准基准。
Cityscapes 技术
Cityscapes 是 5000 张精细标注 + 2 万张粗糙标注的城市场景驾驶数据集（像素级语义/实例分割），2016 年发布，是自动驾驶分割研究的标杆基准。
CIFAR-10 技术
CIFAR-10 是 6 万张 32×32 彩色图像、10 类（飞机、猫、狗等）的经典图像分类数据集，2009 年发布，是 CNN 与 ViT 研究的标准小型基准。
MNIST 技术
MNIST 是 6 万张 28×28 手写数字（0-9）的经典数据集，1998 年发布，是深度学习的「Hello World」，用于教学与算法验证。
C4 技术
C4 是 Google 基于 Common Crawl 清洗的 750GB 英文语料（去重、语言/质量过滤），用于 T5 训练，是「清洗版 CC」的开源标杆。
WebText 技术
WebText 是 OpenAI 为 GPT-2 构建的高质量网页语料（4500 万外链网页，按 Reddit 3 赞以上过滤），以「质量过滤」开创 LLM 语料范式，其公共重构建为 OpenWebText。
The Pile 技术
The Pile 是 EleutherAI 2020 年发布的 800GB 多源英文语料（22 个子集：书籍、学术、代码、对话等），用于 GPT-NeoX 等开源大模型训练，是「语料即论文」的典范。
A
B
C
D
E
F
G
H
I
J
K
L
M
N
O
P
Q
R
S
- SAC
- Segment Anything
- Sora
- SPARQL
- SQuAD
- SSD
- Stable Diffusion
- StyleGAN
- SuperGLUE
- SWE-bench
- 三维重建
- 上下文窗口
- 上下文学习
- 少样本学习
- 射频识别
- 深度Q网络
- 深度合成标识
- 深度强化学习
- 深度伪造
- 深度学习
- 深度学习
- 深度学习框架
- 神经符号AI
- 神经辐射场
- 神经网络
- 神经网络
- 生成对抗网络
- 生成式人工智能服务管理暂行办法
- 生成式智能体
- 时间敏感网络
- 时序差分学习
- 时序知识图谱
- 实例分割
- 实体链接
- 实体消歧
- 世界模型
- 事理图谱
- 视觉SLAM
- 视觉Transformer
- 视觉问答
- 视觉语言模型
- 视频理解
- 视频生成
- 数据版权
- 数据标注
- 数据标注伦理
- 数据管线
- 数据集
- 数据切分
- 数据清洗
- 数据投毒
- 数据增强
- 数据增强
- 数据中心GPU
- 数字鸿沟
- 数字孪生
- 数字人
- 数字人
- 数字员工
- 思维链
- 搜索算法
- 算法透明度
- 算法问责
- 算力
- 算力调度
- 算力集群
- 算力交易
- 算力租赁
- 随机森林
- 损失函数
T
U
V
W
X
Y
Z
- Zigbee
- 在策略学习
- 责任AI
- 窄带物联网
- 张量核心
- 折扣因子
- 正则化
- 政务AI
- 支持向量机
- 知情同意
- 知识表示
- 知识表示学习
- 知识抽取
- 知识库
- 知识图谱
- 知识图谱补全
- 知识图谱构建
- 知识图谱嵌入
- 知识图谱问答
- 知识图谱与LLM融合
- 知识推理
- 知识追踪
- 指令数据集
- 指令微调
- 智慧城市
- 智慧农业
- 智慧文旅
- 智慧物流
- 智能办公
- 智能城市
- 智能穿戴设备
- 智能绘画
- 智能计量
- 智能家居
- 智能客服
- 智能农业
- 智能视频分析
- 智能搜索
- 智能体Agent
- 智能体安全
- 智能体编排
- 智能体工具链
- 智能体工作流
- 智能体评估
- 智能投顾
- 智能推荐
- 智能网关
- 智能网卡
- 智能写作
- 智能营销
- 智能制造
- 智能质检
- 智能座舱
- 智算中心
- 重要性采样
- 主成分分析
- 注意力机制
- 注意力机制
- 状态价值函数
- 姿态估计
- 自编码器
- 自动化决策
- 自动驾驶
- 自动驾驶芯片
- 自监督学习
- 自然语言处理
- 自主决策
- 自主智能体