文｜陈斯达

剪辑｜李然

“好意思国贴吧”要把自宗派据喂给ChatGPT了。

5月17日，据官方音讯，Reddit 已与 OpenAI 完毕契约，允许其使用自家本色历练聊天机器东谈主偏激他居品。相助晓示后，Reddit股价在盘后交往中高涨11%。

图源：X

相助的互利共赢，OpenAI在官网中有所先容：

OpenAI能用上Reddit的及时本色：自家AI 器具由此大致更好地矫健和展示 Reddit 上最新话题的本色，因为OpenAI可走访得Reddit数据 API，将提供及时的、结构化的、独到的本色。Reddit能用上OpenAI的AI手艺：Reddit 将成立在 OpenAI 的 AI模子平台上，将使Reddit为redditor和 mod带AI驱动的全新功能。临了，OpenAI将成为Reddit的告白相助伙伴。

OpenAI的首席本质官Sam Altman持有Reddit 8.7%的股份，此前照旧Reddit的董事会成员。是以OpenAI为了避嫌，强调这次相助是“由OpenAI的首席运营官（Brad Lightcap）指点”，并“由（OpenAI）独处董事会批准”。Altman算作OpenAI董事会成员，据TechCrunch，本东谈主在这次决定上遴荐遮盖姿态。

这次相助的梗图降生：Altman这一出，属于是左手倒右手，一看都是自家东谈主。

图源：Reddit

我念念知谈这次相助具体何如谈成的。

好多网友似乎不太矫健Reddit本色关于大模子的价值，纷纷暗意Reddit会让ChatGPT变得“不干净”。

练习“贴吧”本色调性的网友们有时炸开了锅，有东谈主有时弃坑：Claude不比你GPT香？

图源：X

大本营Reddit平台上的悲不雅发言：把诸位贴吧老哥的发言喂给大模子，AGI的证据立马倒退四年：

图源：Reddit

OpenAI的模子要用贴吧上科技板块的数据历练，看来对AGI的展望要推后四年。

有东谈主也不解白了：Reddit至于那么差吗？

图源：Reddit

唯有我比较兴盛？Reddit上有效的本色也不少，要是能用AI查询，岂不好意思哉？

殊不知，前有论文讲明注解“弱智吧”本色才是AI中语语料质料的高地，这波属于是网友信不外OpenAI手艺大拿们的眼神了。

图源：论文

用平台数据拓宽收入渠谈，曾遭大领域按捺

成立于2005年的Reddit，于2024年3月上市，现时并不盈利。据其最新先容，Reddit日活跃用户为8270万。据Techcrunch，Reddit的平台帖子超10亿个，驳斥数超160亿条，用户生成的本色每天还在增长。平台也不错被看作念AI公司历练模子的“金矿”。

这次相助也讲明，Reddit依然在尝试不同行务，不但愿过于依赖于告白收入。

OpenAI、谷歌等公司将Reddit的数据用于自家模子历练后，Reddit不甘“白嫖”，2023年6月，Reddit晓示将对开荒东谈主员走访其API收取高额用度。其对每5000万个API肯求收取12000 好意思元的用度，在业内订价仍是很高。

大树下面不可纳凉了。靠着Reddit发财的各式第三方欺诈及个东谈主开荒者没法挣钱，Reddit社区自此开启一场阵容高大的抗议。在海量用户的自愿组织下，在6月12日运转瘫痪。稀疏8000个版本（通常于微博、贴吧的不同话题）都被版主设立成了“私东谈主版本”，其他用户无法走访。

开首：The Verge

这场利益莫得对都的抗议很快又被自愿驱逐。只是过了两天，大部分版本复原运营。用户找不到平替之前，还得接着用Reddit。

Reddit官方下场“反白嫖”的最终指标很快落地——用平台本色向大模子公司收费。

2024年3月上市前，Reddit与谷歌母公司Alphabet还完毕每年价值约6000万好意思元的交往，允许自家本色用于谷歌模子的历练。5月早些时刻，Reddit公布的首份季报中，收入稀疏分析师预期。这标明，Reddit与谷歌的交往偏激推进告白业务增长的起劲，正在获取答复。

开首：路透社

为什么各家大模子公司都在抢着给Reddit送钱，确实找不到更好的语料吗？

数据“掘金”的特殊，难谈是贴吧？

OpenAI掌门东谈主Altman最近在播客中提到，模子过去的跳跃，不应该依赖数据。但就现时阶段来说，数据仍然是当下各大玩家的必争资源。

凭据大模子的范例纪律，即便模子参数和算力都不休擢升，然则数据量和质料要是停滞不前，模子的性能也很难络续跳跃（见智能泄漏著作，大模子闹“数据饥馑”，科技巨头插足灰色地带）。

3月在英伟达GTC大会上，黄仁勋对话Transformer七子时也有不雅点合计：高质料的模子需要的其实是高质料的数据，一味堆量是不够的。

番邦网友还在转头，把过于负面的Reddit“贴吧语料”喂给AI会不会掩人耳目；中语互联网上，最佳的大模子语料库确实即是贴吧——弱智吧。

这个论断来自三月底发布的一篇论文。扣问团队发现，大谈话模子现时能矫健、本质复杂指示，答复也能作念到准确流利。联系词这些跳跃基本都发生在英语世界，中语大模子的若要跳跃，就需要基于独到的谈话特征和文化深度，找到符合的数据集。

图源：论文

扣问看中了各样中语外交媒体、论坛的语料质料。论文不仅打造了中语指示微调数据集COIG-CQIA，还为后续从中语互联网取舍历练数据提供了参考。

论文作家从微博，知乎，豆瓣，小红书等主流的社区论坛中抽取了大宗的语料进行概述，提议了COIG-CQIA数据集。而在这个经由当中，扣问东谈主员对这些外交平台上的语料进行了一个排行。

经过比较，弱智吧数据集在多个子集上的平均排行中最终位居第二。

图源：论文

弱智吧的本色有那么神？有网友整理过弱智吧的经典发言：

每个东谈主使命都念念收货，那么是谁在亏钱？我闭上眼睛触碰星空，阅读世界留给我的盲文。世界是个大象，咱们都在盲东谈主摸象，抽象是对这个世界的鞭挞。雨天，我走进水坑里，不着重踩碎了天外。生鱼片是死鱼片。有的东谈主看不到过去，其实是看到了过去。夜里很清静，我绽放了收音机录下来，等白昼吵闹的时刻播放。

论文先容，弱智吧的帖子充满双关语、多义词、因果颠倒、同音异义词。有些逻辑陷坑东谈主类看了都汗流夹背，对AI来说，那必须是增强模子逻辑推明智商的绝佳养料。

天然互联网社区的语料关于AI来说营养可能如实鼓胀，然则网友们关于社区凯旋将我方孝敬的本色拿去卖钱，却不一定那么乐意。

Stack Overflow是面向时势员及开荒东谈主员的论坛。2024年5月初也与OpenAI相助为模子历练提供数据。一些用户为了暗意不悦，删除或者剪辑自己问题和谜底，幸免被用于历练AI，但Stack Overflow复原了被删的帖子，封禁了对应的账号。

图源：相聚

有网友共享怎么把我方的高赞教育帖剪辑为抗议帖的规律，并暗意，“（版主的弹压）亦然在指示大众，在平台上发布的任何本色都能用于盈利指标。在 Discord、Twitter 等平台上的通盘音讯，夙夜也要被合手取投喂给模子，临了再把相应AI职业售卖给你。”

但与Stack Overflow比较，Reddit的各路网友暂时莫得效删帖暗意不屈，转而喜爱起AI：孩子，吃点好的吧。

图源：Reddit

A：之前有东谈主转头：把通盘这个词互联网喂给AI，AI会让东谈主类消一火 B：我不合计当今这是打趣了。 C：这即是为什么我的相聚发言如斯愚蠢。我其实很耀眼（耀眼一词拼写稿假）！ D：你缓助了东谈主类！