过来学习，复旦大学教授的关于大模型数据的分享

AI 整理了一下关键点和笔记：

数据质量成为瓶颈：AI发展已从模型架构竞赛转向数据精细化管理。尤其是后训练阶段，RL和思维链等高级任务对数据的“可验证性”和“认知深度”要求极高，低质量数据可能抵消模型进步。

领域融合加速：如Agentic AI与业务流程挖掘的结合，显示AI正深入垂直领域，需与专家知识耦合。这符合产业AI落地的务实需求。

效率驱动创新：语法筛选和推理优化凸显“降本增效”趋势，响应了算力成本和环保压力。

挑战与批判

数据偏见与认知局限：思维链数据失衡，可能固化模型在低阶任务的表现，阻碍创造性推理。需警惕数据集的“隐性偏差”。

RL的脆弱性：强调RL对数据噪声的敏感度，但这可能增加部署复杂度。在实际应用中，如何平衡“宁缺毋滥”与数据覆盖度，仍是难题。

技术鸿沟风险：流程挖掘和语法筛选等方法依赖专业工具，可能加剧资源不平等，中小企业难以跟进。 http://t.cn/EAfGzSt