Nature曝惊人内幕：论文被天价卖出喂AI！出版商狂赚上亿，作者0收入

主要观点总结

文章介绍了学术出版商授权科技公司访问自家论文以训练AI模型的现象。作者们对这种情况提出了质疑，包括论文作者的权益问题以及版权争议等。此外，学术界利用大型预训练模型LLM面临的问题，包括训练数据的获取和使用方面的挑战。文章还介绍了基于arXiv论文库构建的多模态数据集，用于训练更精确的VLM模型。

关键观点总结

关键观点1: 学术出版商授权使用论文数据训练AI模型

许多学术出版商已经向科技公司授权访问自家的论文，用于训练AI模型。这引发了关于论文作者权益和版权问题的争议。

关键观点2: LLM面临的问题

大型预训练模型LLM需要大量的数据进行训练，但获取和使用这些数据面临诸多挑战，包括版权争议、数据来源的多样性以及数据质量问题。

关键观点3: 基于arXiv构建的多模态数据集

学术界利用arXiv论文库构建了多模态数据集，用于训练VLM模型。该数据集包含问答数据集ArXivQA和图片标注数据集ArXivCap，旨在提高模型在数学和自然科学领域的表现。