A conclusão de Stanford é bastante impactante: abrir pesos é apenas o começo, as barreiras de dados são a verdadeira vantagem competitiva.

A equipa de NLP de Stanford no Twitter afirmou que os dados de treino de agentes atualmente disponíveis são principalmente utilizados na fase de pós-treino, especialmente para modelos como o Qwen. Esses modelos podem já ter sido treinados em uma grande quantidade de dados de agentes. Eles acreditam que a quantidade de dados de agentes necessária para treinar do zero um modelo de código aberto de alta qualidade é muito maior do que a escala de pós-treino apenas com pesos abertos, destacando a insuficiência de dados de agentes na fase de pré-treino. Fonte: InFoQ