Synthetic data
名称变体 合成数据 · 合成數據
arXiv:2611.05512v1 Announce Type: new Abstract: AI Agents are becoming digital coworkers that can browse the web, write code, run experiments, and assist humans over extended horizons. Yet existing benchmarks fall short of real knowledge work: many rely on synthetic data or isolated tasks, missing the complex, multi-party dynamics of collaborative projects,
此处说明来自所引来源记录。收藏会在本设备创建书签，不会自动同步到账户。
- 本站首次观测
- 2026年10月21日 16:30 UTC
- 引用原文最早发布
- 2026年10月21日 16:07 UTC
- 最近观测
- 2026年11月5日 10:00 UTC
最近完整七日的证据
- 来源提及
- 1 前七日 0
- 不同来源
- 1 前期 0
- 可比较增长
- 不可比较
- 榜单记录
- 0
采集观测与无发布日期的记录，和有日期的原文提及分别统计。 七日观测：1 · 无日期记录：0
采集覆盖 · 历史不足本期 / 前期观测天数 7 / 4
统计使用完整 UTC 日。“首次观测”指本站首次收录，不代表词语的诞生时间。
本期窗口：2026-10-30 → 2026-11-06 （不含结束日） · 历史跨度 12 天
| 来源 | 本期天数 | 前期天数 | 最近成功采集 |
|---|---|---|---|
| arXiv | 6 | 4 | 2026年11月5日 10:00 UTC |
| arXiv | 7 | 3 | 2026年11月5日 10:01 UTC |
| Ask HN | 7 | 4 | 2026年11月5日 21:15 UTC |
| Ask HN | 7 | 4 | 2026年11月5日 20:30 UTC |
| Ask HN | 7 | 4 | 2026年11月5日 21:15 UTC |
| Ask HN | 7 | 4 | 2026年11月5日 21:15 UTC |
| GitHub | 7 | 4 | 2026年11月5日 12:15 UTC |
| GitHub Issues | 7 | 4 | 2026年11月5日 16:00 UTC |
| GitHub Releases | 7 | 2 | 2026年11月6日 00:15 UTC |
| GitHub | 7 | 4 | 2026年11月5日 14:30 UTC |
| GitHub Issues | 7 | 4 | 2026年11月5日 16:15 UTC |
| GitHub Releases | 7 | 4 | 2026年11月5日 16:15 UTC |
| GitHub | 7 | 4 | 2026年11月5日 14:30 UTC |
| GitHub Issues | 7 | 4 | 2026年11月5日 16:45 UTC |
| GitHub Releases | 7 | 4 | 2026年11月5日 16:15 UTC |
| GitHub Discovery | 1 | 0 | 2026年11月5日 21:15 UTC |
| GitHub Trending | 7 | 4 | 2026年11月5日 18:45 UTC |
| 7 | 3 | 2026年11月5日 10:00 UTC | |
| Hugging Face | 7 | 3 | 2026年11月5日 08:15 UTC |
| Hugging Face Spaces | 1 | 0 | 2026年11月5日 21:15 UTC |
| Hacker News | 7 | 4 | 2026年11月5日 18:45 UTC |
| Hacker News | 7 | 4 | 2026年11月5日 21:30 UTC |
| Hacker News | 7 | 4 | 2026年11月5日 21:30 UTC |
| Hacker News | 1 | 0 | 2026年11月5日 21:15 UTC |
| Show HN | 1 | 0 | 2026年11月5日 21:15 UTC |
| MIT News | 7 | 3 | 2026年11月5日 16:15 UTC |
| OpenAI | 7 | 4 | 2026年11月5日 11:30 UTC |
| Product Hunt | 7 | 4 | 2026年11月5日 18:45 UTC |
| 量子位 | 6 | 4 | 2026年11月4日 10:15 UTC |
| OpenRouter | 1 | 0 | 2026年11月5日 23:58 UTC |
| Hugging Face Models | 1 | 0 | 2026年11月5日 23:58 UTC |
| HF Daily Papers | 1 | 0 | 2026年11月5日 23:58 UTC |
| OpenRouter | 1 | 0 | 2026年11月5日 23:58 UTC |
| SEC EDGAR | 7 | 4 | 2026年11月5日 22:30 UTC |
| Sequoia Capital | 7 | 3 | 2026年11月5日 10:00 UTC |
| Simon Willison | 1 | 0 | 2026年11月5日 15:13 UTC |
| TechCrunch | 7 | 4 | 2026年11月5日 20:30 UTC |
| Contracts Finder | 7 | 4 | 2026年11月5日 19:45 UTC |
| V2EX | 7 | 4 | 2026年11月5日 20:30 UTC |
- 计数仅代表已监测的公开来源，不代表全网热度或搜索需求。
- 两周均需足够且可比较的采集覆盖，才判断增长。
每日趋势 · 最多 90 天
柱形表示有日期的来源提及。最新 UTC 日可能尚未结束。零提及和缺少采集覆盖是不同情况。
虚线标记表示当日无记录，不作为零提及统计。
查看每日数据表
| UTC 日期 | 提及 | 来源 | 观测 | 榜单记录 |
|---|---|---|---|---|
| 2026-10-21 | 1 | 1 | 1 | 0 |
| 2026-10-22 · 无记录 | — | — | — | — |
| 2026-10-23 | 0 | 0 | 0 | 0 |
| 2026-10-24 | 0 | 0 | 0 | 0 |
| 2026-10-25 | 0 | 0 | 0 | 0 |
| 2026-10-26 | 0 | 0 | 0 | 0 |
| 2026-10-27 | 0 | 0 | 0 | 0 |
| 2026-10-28 | 0 | 0 | 0 | 0 |
| 2026-10-29 | 0 | 0 | 0 | 0 |
| 2026-10-30 | 0 | 0 | 0 | 0 |
| 2026-10-31 | 0 | 0 | 0 | 0 |
| 2026-11-01 | 0 | 0 | 0 | 0 |
| 2026-11-02 | 0 | 0 | 0 | 0 |
| 2026-11-03 | 0 | 0 | 0 | 0 |
| 2026-11-04 | 0 | 0 | 0 | 0 |
| 2026-11-05 | 1 | 1 | 1 | 0 |
| 2026-11-06 | 0 | 0 | 0 | 0 |
来源证据
当前展示证据的来源：arXiv 1 · V2EX 1
arXiv · 原文发布 2026年11月5日
SlackBench: Benchmarking Agents on Collaborative Projects Grounded in Real Code Repositories
arXiv:2611.05512v1 Announce Type: new Abstract: AI Agents are becoming digital coworkers that can browse the web, write code, run experiments, and assist humans over extended horizons. Yet existing benchmarks fall short of real knowledge work: many rely on synthetic data or isolated tasks, missing the complex, multi-party dynamics of collaborative projects,
查看来源记录 →V2EX · 原文发布 2026年10月21日
[分享创造] [开源] 从生图到骨骼动画全自动：用 Blender 合成数据微调 DINOv2，把视频动作还原到非人形 3D 模型上
从粗糙的 Astra 建模踩坑开始，我就一直在琢磨：到底怎么才能让整套 3D 资产与动画生成流程真正自动化起来？ 一路从 OpenAI 产出概念效果图，到 Tripo3D 生成 3D 模型，再到非人形怪物的自动绑骨蒙皮；更进一步，用 MiniMax H3 生成想要的动作视频，并基于 Meta 的 DINOv2 训练专属小模型来识别骨骼与关节位置，最终把视频动作还原到 3D 骨骼上（这里必须感谢 @CanItCode ，核心思路正是从他的视频中学到的），才终于跑通并达到了视频里这种勉强可用的效果。 核心实现思路 模型生成 ：通过 Tripo3D 生成基础 3D 模型。 自动绑骨 ：使用 TokenRig 完成非人形结构的自动绑骨与蒙皮。 **合成训练集(imoportant)**：在 Blender 中采用双视角
查看来源记录 →
研究优先级 40 / 100
此分数用于排列研究候选，不是搜索量、预测结果或经过验证的商业需求。
证据数量
8 / 30去重文章或首次观测；重复抓取不加分。
发布主体多样性
8 / 25同主体保守归并，转载不增加独立证据。
可比变化
0 / 20仅完整且可比的两周参与；零基线不计算百分比。
证据时效
14.4 / 15依据最新发布或首次观测，不按重复采集时间刷新。
名称明确度
9.7 / 10明确实体链接和技术概念优先于含义不明的缩写。
局限与解读
- 首次观测是采集记录的起点，不能证明词语或产品在全球首次出现。
- 计数仅代表已监测的公开来源，不代表全网热度或搜索需求。
- 本站首次发现时间不等于名称或概念的诞生时间。
- 候选来自公开标题、摘要和实体链接，并非已核实的全文分析。
- 来源多样性采用保守归并；未披露的转载或共同所有权仍可能无法识别。
- 已有概念或常见产品名，仅保留为历史基线，不视为新创造的词。
- 两周均需足够且可比较的采集覆盖，才判断增长。
- 前一周样本过少，不展示容易误导的增长百分比。
- 当前证据仅来自一个发布主体。