维基百科向AI公司推出免费数据集 只求不要再无止境抓取
此前维基百科关联站点维基媒体发布消息称由于被 AI 爬虫轰炸,导致大量昂贵的服务器资源被 AI 爬虫消耗,一方面维基媒体工程师疲于使用技术手段应对这些爬虫,另一方面也给维基媒体造成运营成本上的损失。
维基媒体是个托管图片、视频和其他文件的免费站点,目前该网站托管的文件数量高达 1.44 亿个,因此大量 AI 爬虫疯狂抓取维基媒体的内容用来整理为数据集训练人工智能模型。
除了维基媒体外,维基百科内容也被各种爬虫疯狂抓取,有鉴于技术手段已经无法应对这些 AI 爬虫,现在维基百科主动制作并发布针对训练 AI 模型且经过优化的数据集,这些数据集托管在谷歌旗下的数据科学社区平台 Kaggle 上,希望这些 AI 公司直接去谷歌下载数据集不要再对维基百科进行抓取。
本次发布的数据集在设计时就充分考虑机器学习的工作流程,让 AI 开发者能够轻松访问机器可读的文章数据,以进行建模、微调、基准测试、对齐和分析,其中的数据内容为已公开授权。
数据集时间截止至 2025 年 4 月 15 日,内容包括研究摘要、简短描述、图像连接、信息框数据和文章章节,但不包含参考文件或音频文件等非书面元素,首次发布的数据集包含英语和法语版本。
维基百科认为结构良好的 JSON 格式维基百科内容应该比直接抓取或解析维基百科原始内容更有吸引力,不过最终这能否解决维基百科面临的 AI 爬虫轰炸还有待观察。
-
知名网络论坛Reddit起诉Anthropic指控其未获得许可抓取内容训练AI
已经成功上市的 Reddit 论坛目前一大收入来源就是将内容授权给 AI 公司获取报酬,已经与 Reddit 签订协议获取数据的包括谷歌和 OpenAI,当然也有公司尝试悄悄抓取数据而不付钱。Redd
-
X/Twitter将变更API计划从4.2万美元/月改成按收入分成模式
以前 X/Twitter API 接口可以免费申请并且使用也非常方便,在埃隆马斯克收购推特后原有的 API 计划全部被打乱,随后企业需要缴纳每月 42000 美元才能使用 API 并且仅可以调用有限的
-
微软推出必应视频生成器(Bing Video Creator) 调用OpenAI Sora模型创建视频
日前各大科技公司都在陆续推出由人工智能模型驱动的视频生成功能,例如 Google Gemini Veo 3 视频生成模型的表现就非常出色,性能方面甚至优于 OpenAI Sora 模型。不过无论是 G
关注公众号:拾黑(shiheibook)了解更多
友情链接:
关注数据与安全,洞悉企业级服务市场:https://www.ijiandao.com/
安全、绿色软件下载就上极速下载站:https://www.yaorank.com/

随时掌握互联网精彩