https://ai.wujiong.cc/tags/%E8%AE%AD%E7%BB%83%E6%95%B0%E6%8D%AE/Recent content in 训练数据 on AI 观察Hugozh-CNSun, 05 Jul 2026 09:25:50 +0800https://ai.wujiong.cc/posts/2026-07-05-web-data-collection/Sun, 05 Jul 2026 09:25:50 +0800https://ai.wujiong.cc/posts/2026-07-05-web-data-collection/<p>大语言模型之所以拥有广博的知识和流畅的语言能力，很大程度上是因为它们在海量文本数据上进行了预训练，而这些数据的主要来源之一就是公开网页。<strong>从原始网页到可用于训练的高质量文本，中间要经过复杂的处理流程；而“公开可访问”是否等于“可以随意用于训练”，则引发了广泛的法律和伦理讨论。</strong> 了解这些，有助于理解大模型能力的来源和局限，也有助于企业在采集和使用数据时把握边界。</p>