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。
-
谷歌搜索称AI概览不会导致网站流量下降 但前提是用户提出的问题更多
目前已经有多个 SEO 网站和站长分享数据表明谷歌搜索在推出 AI 概览后导致网站流量下降,原因在于谷歌搜索 AI 爬虫会自动检索网站内容并生成回答,因此用户并不需要点击网站就可以知道答案。按照这种情
-
埃隆马斯克计划在xAI Grok聊天机器人中添加广告 允许营销人员投放付费内容
据英国金融时报发布的消息,埃隆马斯克本周通过 X/Twitter 直播与广告网络进行讨论,埃隆马斯克称将允许营销人员在 xAI Grok AI 聊天机器人里投放广告。埃隆马斯克称他的团队致力于使 Gr
-
沉浸式翻译拟禁止用户使用未认证第三方API引起众怒 现已火速删除公告
沉浸式翻译最初是个开源的双语对照翻译扩展程序,在 2023 年 11 月被收购后转向闭源不再开放源代码,原本的开源项目也被归档停止更新。从用户体验上说沉浸式翻译确实非常优秀,尤其是用户可以使用自定义
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