各模型公司的数据配方与供应商全景

一句话结论

1. 中国：23 家公司的技术报告里，一手点名"外部标注供应商"的只有智谱 智谱 Zhipu / Z.ai GLM-5（数学/科学与 TIR 的 STEM 题与外部标注供应商共建，供应商未具名）[9]；小米 小米 MiMo V2.6 写 "licensed data vendors"[23]，MiniMax 招股书写"向专业数据提供商采购"[14]，百川 2 安全红队外包 50 人 [25]，均未具名。没有一份一手文件把海天瑞声、数据堂、云测、整数智能写成数据来源。
2. 供应商侧同样匿名：海天瑞声 FY2025 营收 3.77 亿元（+59.00%），前五客户占 46.20%、客户 1 单家 18.99%（7,158.68 万元），全部匿名 [18]；数据堂 Datatang 2023 年起不再披露客户名 [19]。"智谱、Meta、阿里、腾讯、月之暗面、MiniMax 是海天瑞声客户"仅为记者归纳，⚠️媒体口径、无金额 [38]。
3. 美国与全球：闭源前沿 lab 的 L1 基本沉默，被动暴露渠道是诉讼与 system card。Anthropic 取自 LibGen ≥500 万册、PiLiMi ≥200 万册，和解 $15 亿 / 482,460 册 [41]；<a class="wl" href="/entities/openai/#data-llm">OpenAI</a> 的 NYT MDL 暴露 2000 万条日志样本与 Books1/Books2 删除争议（特权豁免裁定已被撤销）[60]。外包最集中的是 L3：Mercor 2026-06 年化毛收入 >$20 亿，毛收入 2026 年上半年约 91%（媒体口径，The Information 转述）来自基础模型公司[47]。
4. L4 RL 环境几乎全部自建：DeepSeek（深度求索） V3.2 合成 1,827 个 agent 环境、85,000+ prompt [3]；MiMo-V2-Flash 代码任务 90K（真实 prompt）+ 30K（合成 prompt）、搜索 150K [23]；Kimi / 月之暗面 Moonshot K2 3,000+ MCP 工具 + 20,000+ 合成工具 [6]；GLM-5 >10K 可验证 SWE 环境 [9]。美国的外采环境数字（Anthropic 传 $10 亿+/12 个月、OpenAI 约 $2 万/个）均为媒体口径 ⚠️ [68]。
5. 配比公开度两极分化：完整公开的有 Ai2（OLMo / Dolma / Tülu）、Swiss AI Apertus、Hugging Face（Hub / Datasets）；半公开有 Llama 3（50/25/17/8 大类）、NVIDIA Nemotron（训练约 25T、公开约 10T）；中国只有上海 AI Lab（按来源给表）、小米、智谱等给阶段与局部占比 [29][23][45]。
6. 蒸馏既是争议也是自报事实：Anthropic 指控 DeepSeek >150,000、Moonshot >3.4M、MiniMax >13M 次交互（Anthropic 单方口径，未经独立核实）[36]；同时快手 KAT-V1、百川 M2、小红书 dots.llm1 自报以 DeepSeek 模型作教师或精修 [34][26][31]。

总表：公司 × 数据层

层定义：L1 预训练语料｜L2 版权授权｜L3 后训练人类数据｜L4 RL 环境｜L5 合成与蒸馏｜L6 部署回流。"—" = 未披露或未查到（不等于不存在）；⚠️ = 二手或未核实；"公司口径" = 技术报告、招股书、官方 card 自述。

中国

美国与全球

逐家拆解

下列只写总表之外的关键事实与口径边界。

中国

DeepSeek（深度求索）。 R1 论文 v2（2026-01-04）自承 V3-Base 网页含大量 OpenAI 模型生成答案，并称冷却阶段未刻意加入 [2]。V3 训练成本 $5.576M（2.788M H800 小时 × $2），论文明示不含前期研究与消融 [1]。未查到标注团队规模、供应商或采购合同。蒸馏争议见"口径冲突"。

Qwen / 阿里通义。 多语种标注系统对 >30T token 打"教育价值、领域、安全"标签，用于实例级配比 [5]。UniPat AI 创始人出自通义团队、阿里拟领投 $3 亿（媒体口径），但与 Qwen 采购关系无证据 [39]。

Kimi / 月之暗面 Moonshot。 K2 与 K2.5 的 15T 不可相加混用：K2.5 是在 K2 基础上另续训约 15T 视觉-文本 token [6][7]。K3 据第三方称报告不披露 token 总量（⚠️媒体）。

智谱 Zhipu / Z.ai。 招股书可反推的外部数据相关花费：研发"技术服务及咨询费"2022 11.41M / 2023 25.18M / 2024 45.04M / 2025H1 52.21M 元（含数据清洗与大模型评估，是上限，非纯数据项），对比算力服务费 2024 年 1,552.8M 元（70.7%）[11]。前五大供应商均为算力类，无标注或语料授权供应商单列 [11]。EU 摘要（2026-08-21）另称合成数据主要由 GLM 自家模型生成；未签署 EU GPAI 行为准则 [10]。见 智谱招股书数据外包金额与未获许可数据风险。

MiniMax。 募资用途 2026–2030 每年约 HK$64.9M 用于"数据采购、标注、合规"，三项合并不可拆 [14]。2022 年 Supplier E（山西一地方 IT 公司，"data processing"）US$0.2M（2.3%）是前五大里唯一数据相关条目，2023–2025 前五大无数据供应商 [14]。M1 强化学习租赁成本 $534,700（512 H800，3 周）[12]。见 MiniMax 招股书训练数据风险与预算。

字节 Seed / 豆包。 一手可核的外采只有海天瑞声 2025-12 IR 称字节"多年以来是重要客户之一"（未说明是否用于大模型训练，公司口径）[18]，与法本信息自述的数据标注/采集合作（媒体转述公司口径）；慧博云通"为豆包做数据标注"仅见题录，不采信。Xpert 专家标注平台、腾讯 Qlabel 等来自个人博客或媒体 ⚠️。字节 2023 年使用 OpenAI API 事件见 字节使用 OpenAI API 事件（2023） [20]。

百川智能 Baichuan。 终版 M2 SFT 200 万条，医学约 20%；"262 名医生"是 HealthBench 评测 rubric 作者，不是百川标注团队 [26]。M2 基座为 Qwen2.5-32B，即同时依赖外部基座与外部教师。

上海 AI Lab（书生 InternLM） 与智源。 两家是中国最主要的"反向供给"方。书生·万卷 WanJuan（含 OpenDataLab） 1.0 总量 >2TB，WanJuan-CC 开源量在 v1 写 300B、v6 写 100B，版本间不一致 ⚠️ [29]。CCI 系列（CCI3.0 / CCI3.0-HQ / CCI 4.0，智源） 4.0 的 CoT 子集生成模型发布稿未点名，教师条款与 cc-by-sa / Apache 再发布是否兼容未见官方说明 ⚠️ [30]。Infinity-Instruct（智源，含 COIG） 7M 为 7,449,106 条，官方 card 为 cc-by-sa-4.0（gated），第三方称 Apache-2.0 与 card 冲突，以 card 为准。

其余。 腾讯、华为、讯飞、商汤披露极少：商汤未查到任何 LLM 级别 token、标注或合成占比披露；华为 Pangu 与 Qwen 相似性争议见 Pangu Pro MoE 与 Qwen 相似性争议 [24]。快手 KAT-Coder（Kwaipilot） 是 L6 与 L4 合一的案例：用早期 KAT-Coder 接入第三方 IDE 产生生产级轨迹 [34]。

美国与全球

OpenAI。 Mercor 为已确认客户，具体金额与占比无一手数字 [47]。NYT MDL 中 Magistrate Judge Wang 命令提交 2000 万条消费者日志样本（原请求 1.2 亿），Wang 法官 2025-11-24 曾认定 OpenAI 就 Books1 / Books2 数据集删除相关沟通放弃律师-客户特权，但 District Judge Stein 于 2026-02-06 以“clearly erroneous or contrary to law”撤销该裁定，不可作为现行结论；"事后删除数十亿输出"只是原告指控，未裁定 [60]。见 NYT v. OpenAI / Microsoft。

Anthropic。 和解仅覆盖截至 2025-08-25 的行为，不含输出侧索赔，须销毁 LibGen / PiLiMi 原始文件；2026-07-20 终审批准，律师费 $101,561,111（约 6.8%）[41]。见 Bartz v. Anthropic。消费者政策：Free / Pro / Max（含 Claude Code）须在 2025-10-08 前选择（公告 2025-08-28），关闭则保留 30 天，企业、API、Gov、Education 不受影响 [61]。2026-02 蒸馏指控见 Anthropic 蒸馏指控 [36]。

Google DeepMind。 GlobalLogic 直雇 $28–32/h、分包 $18–22/h，2025-09 裁 200+ 人并有 NLRB 申诉；内部文档显示在训练自动评分模型以替代人工（WIRED 经转述）[65]。Gemma 4 训练内容摘要文件名含 2028、版本日期互相矛盾，数字暂不引用。

Meta。 Kadrey 解封文书（经原告律师转述）称 Zuckerberg 批准使用 LibGen、Meta 承认 torrent [62]；Llama 3 配比约 50% 通用知识 / 25% 数学与推理 / 17% 代码 / 8% 多语言，已回溯 arXiv 2407.21783 §3 原文确认（总量 15.6T）[43]。见 Kadrey v. Meta。

xAI。 标注团队约 1,500 人，2025-09 裁约 500 名通用 tutor，称将专家 tutor 扩 10 倍 [48]。其余层未披露。

Phi 系列（Microsoft，含 TinyStories） 与 Nemotron-CC / v2（NVIDIA）。 Phi-4 的 400B 是 unweighted 合成 token 总量，不是占比；约 40% 是预训练 token 预算中的合成比例（二手综述）[50]。Nemotron 3 公开约 10T 是"可下载量"，训练用约 25T，Heise 指出数据集文件修改日期晚于所述数据时间 [44]。

Ai2（OLMo / Dolma / Tülu） 与 Hugging Face（Hub / Datasets）。 OLMo 3 中期混合（Dolmino 1025 100B）约 20% 代码 / 28% 网页 / 19% 数学 / 14% QA / 8% 思考 / 6% 指令（模型卡镜像，二手）[45]。SmolLM3 使用 DCLM、FineWeb-Edu、FineWeb2、Stack v2、peS2o、FineMath、MegaMath、SmolTalk2；FineWeb-Edu 分类器用 Llama3-70B-Instruct 标注训练 [53]。见 DCLM（DataComp-LM）。

Swiss AI Apertus。 "追溯 robots.txt"：站点今天屏蔽 AI 爬虫，其过去的页面也从旧爬取中移除；另过滤版权、非宽松许可、毒性与 PII [46]。见 robots.txt 与 AI 爬虫治理。

Cursor 与 Poolside。 Composer 把改进后的 checkpoint 持续部署给用户，以用户反应作奖励；Tab 每天 >4 亿次请求，新模型建议减少 21%、接受率升 28%（公司博客）[54]。两家是"L6 回流 = L4 环境"的最彻底案例，见 agent 轨迹回流与"服务即数据工厂"。

其他。 Sakana Namazu 基于 Moonshot Kimi K2.6 开源权重，仅做日语后训练 [59]；Thinking Machines 以 on-policy distillation 为数据策略，配方用 OpenThoughts3、DeepMath、Tülu3（公司博客）[66]；SSI、Magic 检索无一手信息；Mistral 与 AFP 的协议不应列为训练授权 [56]。

四条路线

• 开源 + 全自建派：DeepSeek、Qwen、Kimi、阶跃、蚂蚁、美团、小红书。报告讲过滤、阶段与环境，不提供应商。
• 上市披露派：智谱、MiniMax。招股书强制披露才出现"供应商陈述保证""授权 Yes""可能含未同意内容"这类措辞 [10][11][14]。
• 研究机构供给派：上海 AI Lab、智源、昆仑万维把清洗后的语料、指令、偏好集反向开源；美国对应 AI2、Hugging Face、NVIDIA、Swiss AI。
• 环境即产品派：Cursor、Poolside、快手 KAT；平台派：Thinking Machines、Databricks TAO，数据由客户带来。

供应商反查：谁在给谁供数

证据强度：一手 = 技术报告、招股书、年报或诉讼文书点名；公司口径 = 供应商或模型方单方面自述；媒体 = 记者转述；二手 = 聚合站。

商业供应商与合作方

开源数据集作为事实供应商

跨公司规律

1. 被外采最多的是 L3 与 L4 的可验证题。 证据显示中国外采落在传统语音/CV/NLP 标注与数学/科学 STEM 可验证题（GLM-5、小米）；L1 预训练几乎全靠自爬（智谱 GLMBot、阶跃 StepCrawl、小红书 trafilatura 管线）加开源语料；代码/agent 环境几乎全部来自 GitHub PR/issue + 沙箱，自建 [9][15][23][31]。
2. 中国没有美国式的独立供应商层。 可点名的中国供应商只有海天瑞声与数据堂两家上市/挂牌公司，披露都在收紧；海天瑞声"训练数据相关应用服务"0.276 亿元占营收约 7%，视觉（+217.66%）与自然语言（+112.29%）增长更大 [18]。国家数据局 7 个标注基地截至 2026-06 底标注规模 >119PB、从业人员 14 万，属政策性供给，不对应单个模型公司 [40]，见 国家数据局数据标注基地与标注产业。
3. 合成/蒸馏分化。 预训练刻意不用合成：DeepSeek V3-Base（自述）、MiniMax M1、智谱 GLM-5 数学/科学/代码、小红书 dots.llm1；预训练大量用合成：Hunyuan-Large（约 21%，换算值）、小米（中期约 5%）、Phi-4（约 40% 预算）、CCI4.0 CoT（425B token）。SFT/RL 层普遍从更强教师蒸馏，DeepSeek-R1/V3 是中国公司最常见的开源教师 [22][23][50][30]。
4. 披露窗口在变。 港股招股书（智谱、MiniMax）与 EU AI Act 训练内容摘要（GLM-5、Apertus 1.5、SmolLM3、Gemma 4）是 2026 年新增的两类一手渠道；美国闭源 lab 的书籍层真实来源只在诉讼里出现 [10][11][14][41][62]，见 EU AI Act 通用模型训练数据摘要与行为准则。
5. 供应商中立性是资产。 Meta 入股 Scale 后 Google、OpenAI、xAI 减单，订单流向 Surge、Mercor 等；Mercor 毛收入2026 年上半年约 91%（媒体口径，The Information 转述）来自基础模型公司，单一客户暴露高 [47][65]，见 数据商市场结构。
6. 推断： 供应商的可见度与模型方的披露意愿负相关。中国模型方几乎全部匿名化外采，供应商卡片只能从供方年报与媒体反向拼出；美国模型方匿名、供应商自曝客户。两侧都不能把供方客户名单直接当作模型方的数据来源。
7. 推断： 若 L4 环境与 L6 回流合并成同一件事（Cursor、Poolside、快手 KAT），外采环境公司的天花板是 lab 自建。

对数据供应商的含义

以下 1–3 条为证据直接支持的事实归纳，4–6 条为推断。

1. 能点名的现金外采集中在 L3 传统标注与 L4 的 STEM 可验证题，且都匿名化 [9][14][23]。
2. 中国可见的供应商收入集中在两家上市/挂牌公司，海天瑞声前五客户占 46.20%，单一客户 18.99% [18]。
3. 美国 L3 外采的买方集中度高，Mercor 毛收入2026 年上半年约 91%（媒体口径，The Information 转述）来自基础模型公司；Meta 入股 Scale 后买方减单是供应商中立性受损的直接例证 [47][65]。
4. 推断：开源数据集发布方（AI2、Hugging Face、智源、上海 AI Lab）是通用语料与通用指令数据商的直接竞品；仍需付费的是开源集缺的属性，如专家级可验证题与环境。
5. 推断：RL 环境外采的天花板是 lab 自建，Cursor、Poolside、DeepSeek V3.2 的合成环境已在替代外采。
6. 推断：版权风险在 2026 年从"诉讼暴露"转向"主动披露"（招股书、EU 摘要），授权类供应商的价值取决于能否出具合法性陈述与来源证明。

阅读说明

• 层与层的口径不完全可比：中国技术报告披露 L1 token 最完整、L3 条数最少；美国闭源 lab 的 L1 为空，需从诉讼与媒体拼出。
• "未披露"与"未查到"表示一手与二手来源均未见，不代表不存在。
• 带 ⚠️ 的数字为媒体口径、二手转述或未回溯一手，不宜直接引用为事实。
• 公司口径数字（技术报告、招股书、官方 card、IR 记录）未经独立核验；供应商案例页中的客户名单同理。

口径冲突与未核实

来源

访问日 2026-10-15。

1. DeepSeek-V3：https://arxiv.org/pdf/2412.19437
2. DeepSeek-R1（v2 2026-01-04）：https://arxiv.org/pdf/2501.12948
3. DeepSeek-V3.2：https://arxiv.org/pdf/2512.02556
4. DeepSeek V4：https://huggingface.co/blog/deepseekv4
5. Qwen3：https://arxiv.org/pdf/2505.09388
6. Kimi K2：https://arxiv.org/pdf/2507.20534
7. Kimi K2.5：https://arxiv.org/pdf/2602.02276
8. GLM-4.5：https://arxiv.org/pdf/2508.06471
9. GLM-5：https://arxiv.org/pdf/2602.15763
10. GLM-5 家族 Public Summary of Training Content（EU AI Act）：https://cdn.bigmodel.cn/static/glm5.3/The%20Public%20Summary%20of%20Training%20Content%20for%20the%20GLM5%20Family.pdf
11. 智谱招股书：https://www1.hkexnews.hk/listedco/listconews/sehk/2025/1230/2025123000018_c.pdf
12. MiniMax-M1：https://arxiv.org/pdf/2506.13585
13. MiniMax M2 系列：https://arxiv.org/pdf/2605.26494
14. MiniMax 招股书：https://www1.hkexnews.hk/listedco/listconews/sehk/2025/1231/2025123100025.pdf
15. Step 3.5 Flash：https://arxiv.org/pdf/2602.10604
16. Seed1.5-Thinking：https://arxiv.org/html/2504.13914 ；Seed1.5-VL：https://arxiv.org/pdf/2505.07062
17. Seed2.0 model card：https://arxiv.org/pdf/2607.00248
18. 海天瑞声 FY2025 年报：https://stockmc.xueqiu.com/202604/688787_20260424_M2WS.pdf ；字节与法本信息表述为 IR 记录与财联社/每日经济新闻转述
19. 数据堂 FY2022 年报转述：https://news.qq.com/rain/a/20250304A0977O00 ；FY2024 年报经同花顺公告库
20. 字节与 OpenAI API：https://the-decoder.com/openai-bans-tiktok-company-bytedance-from-chatgpt-due-to-possible-data-theft/
21. ERNIE 5.0：https://arxiv.org/abs/2602.04705 ；ERNIE 4.5 技术报告：ernie.baidu.com
22. Hunyuan-Large：https://arxiv.org/abs/2411.02265
23. MiMo-V2-Flash：https://arxiv.org/abs/2601.02780 ；MiMo-V2.6：https://arxiv.org/abs/2610.11959
24. Pangu 争议：https://www.cxodigitalpulse.com/huawei-denies-copying-alibabas-qwen-model-in-pangu-pro-moe-development/
25. Baichuan 2：https://arxiv.org/abs/2309.10305
26. Baichuan-M2：https://arxiv.org/abs/2509.02208
27. Yi：https://arxiv.org/abs/2403.04652 ；Yi-Lightning：https://arxiv.org/abs/2412.01253
28. MiniCPM4：https://arxiv.org/abs/2506.07900
29. InternLM2：https://arxiv.org/abs/2403.17297 ；Intern-S1：https://arxiv.org/abs/2508.15763
30. CCI3.0：https://arxiv.org/abs/2410.18505 ；CCI4.0 发布稿：https://hub.baai.ac.cn/view/45537 ；Infinity-Instruct：https://huggingface.co/datasets/BAAI/Infinity-Instruct
31. dots.llm1：https://arxiv.org/abs/2506.05767
32. LongCat-Flash：https://arxiv.org/abs/2509.01322
33. Ling 2.0：https://arxiv.org/abs/2510.22115
34. KAT-Coder：https://arxiv.org/abs/2510.18779 ；KAT-V1：https://arxiv.org/abs/2507.08297
35. Skywork-13B：https://arxiv.org/abs/2310.19341 ；Skywork-OR1：https://arxiv.org/abs/2505.22312 ；Skywork-Reward-V2：https://arxiv.org/abs/2507.01352
36. Anthropic，Detecting and preventing distillation attacks（2026-02-23）：https://www.anthropic.com/news/detecting-and-preventing-distillation-attacks
37. 白宫官员指控 Moonshot：https://siliconangle.com/2026/07/23/senior-white-house-official-accuses-moonshot-ai-copying-anthropics-leading-frontier-model/
38. 21 世纪经济报道（海天瑞声客户名单，2026-10-09）：https://finance.sina.cn/stock/jdts/2026-10-09/detail-iniurwaf7778162.d.html
39. UniPat 融资：https://dealroom.co/news/149924-alibaba-leads-300m-round-for-ai-testing-startup-unipat-at-2-5b/
40. 国家数据局标注基地：https://www.news.cn/tech/20250729/77dea602553d4ecd8778d105cb137bd9/c.html ；https://m.gmw.cn/2026-07/18/content_1304534545.htm
41. Bartz v. Anthropic 和解：https://legalblogs.wolterskluwer.com/copyright-blog/the-bartz-v-anthropic-settlement-understanding-americas-largest-copyright-settlement/ ；https://pearlcohen.com/federal-court-approves-1-5-billion-anthropic-copyright-settlement-largest-in-history ；LibGen ≥500 万 / PiLiMi ≥200 万册出自 Alsup 2025-06 裁定原文，转引：https://simonwillison.net/2025/Jun/24/anthropic-training/
42. Kadrey v. Meta 解封文书：https://techcrunch.com/2025/01/09/mark-zuckerberg-gave-metas-llama-team-the-ok-to-train-on-copyrighted-works-filing-claims
43. Llama 3：https://arxiv.org/abs/2407.21783 ；二手配比综述：https://arxiv.org/pdf/2501.04040
44. Nemotron：https://docs.nvidia.com/nemotron/latest/nemotron/nano3/pretrain.html ；https://heise.de/-11120837
45. OLMo 3 / Dolma 3：https://friendli.ai/models/allenai/Olmo-3-1025-7B （模型卡镜像，二手）
46. Apertus：https://the-decoder.com/swiss-ai-initiative-introduces-apertus-as-a-fully-open-language-model-focused-on-transparency-and-privacy ；https://aial.ie/research/gpai-training-transparency/archive/Apertus_1_5_2026_08_05.pdf
47. Mercor：https://dealroom.co/news/137121-mercor-doubles-to-2b-gross-revenue-run-rate-as-ai-labs-buy-expert-data/ ；https://techcrunch.com/2025/10/29/how-ai-labs-use-mercor-to-get-the-data-companies-wont-share ；91% 与 H1 毛收入出自 The Information 报道，转引：https://aiweekly.co/alerts/mercor-books-614m-in-h1-2026-leaning-on-openai-anthropic ；NVIDIA 付款：https://www.pymnts.com/?p=4098621
48. xAI 裁员：https://techcrunch.com/2025/09/13/xai-reportedly-lays-off-500-workers-from-data-annotation-team
49. Apple Foundation Models 2025：https://machinelearning.apple.com/research/apple-foundation-models-2025-updates
50. Phi-4：https://arxiv.org/abs/2412.08905 ；Phi-4-reasoning：https://arxiv.org/abs/2504.21318
51. Gemma 3：https://arxiv.org/pdf/2503.19786 ；Gemma 4 摘要：https://aial.ie/research/gpai-training-transparency/evals/gemma-4/
52. Amazon FMTI：https://crfm.stanford.edu/fmti/December-2025/company-reports/Amazon_FinalReport_FMTI2025.html
53. SmolLM3：https://www.huggingface.co/blog/smollm3
54. Cursor：https://cursor.com/blog/real-time-rl-for-composer ；https://cursor.com/blog/tab-rl
55. Poolside：https://aws.amazon.com/bedrock/poolside （二手：https://www.aimadetools.com/blog/poolside-laguna-m1-complete-guide/）
56. Mistral–AFP：https://techcrunch.com/2025/01/16/mistral-signs-deal-with-afp-to-offer-up-to-date-answers-in-le-chat
57. Cohere：https://arxiv.org/abs/2504.00698 ；https://surgehq.ai/case-study/cohere-rlhf ；https://scale.com/customers/cohere ；https://appen.com/case-studies/cohere-fine-tuning-for-enterprise （供应商口径）
58. Falcon：https://arxiv.org/abs/2507.22448 ；https://arxiv.org/abs/2601.02346
59. Liquid / Zyphra / Sakana：https://arxiv.org/abs/2511.23404 ；https://www.amd.com/en/resources/case-studies/zyphra-trains-advanced-reasoning-models-at-scale-with-amd.html ；https://sakana.ai/namazu-api
60. NYT MDL：https://decrypt.co/351000/openai-ordered-20m-chatgpt-logs-nyt-copyright-case ；https://chatgptiseatingtheworld.com/2025/11/24/magistrate-judge-wang-rules-v-openai-again-holding-waived-attorney-client-privilege-re-deletion-of-books1-books2-datasets-cold-comfort-to-openai-judge-finds-no-crime-fraud-exception-applies/ ；https://chatgptiseatingtheworld.com/wp-content/uploads/2026/02/Judge-Stein-ruling-on-waiver-Feb-6-2026.pdf （撤销）；https://techcrunch.com/2026/07/09/new-york-times-says-openai-hid-evidence-in-chatgpt-copyright-trial/
61. Anthropic 消费者政策（二手）：https://www.businesstoday.in/amp/technology/news/story/anthropic-to-use-claude-conversations-for-ai-training-unless-users-opt-out-by-september-28-491530-2025-08-29
62. Kadrey 补充（Engadget）：https://www.engadget.com/ai/lawsuit-says-mark-zuckerberg-approved-metas-use-of-pirated-materials-to-train-llama-ai-141548827.html
63. 韩国模型：https://arxiv.org/abs/2507.11407 ；https://arxiv.org/abs/2506.22403 ；https://arxiv.org/pdf/2607.20062
64. Databricks：https://getcoai.com/news/databricks-tao-system-improves-ai-models-without-costly-labeled-data
65. Google–Scale / GlobalLogic：https://www.verdict.co.uk/google-scale-ai-meta-acquisition/ ；https://www.ibtimes.com/google-accused-axing-over-200-workers-who-trained-gemini-chatbot-after-they-demanded-better-pay-3783706
66. Thinking Machines / Reflection：https://tinker-docs.thinkingmachines.ai/cookbook/recipes/distillation/ ；https://app.dealroom.co/news/note/nvidia-backed-reflection-ai-prepares-first-open-weight-model-launch
67. OpenAI 授权：https://llmpulse.ai/blog/openai-publisher-deals/
68. Anthropic 环境预算（Epoch 二手）：https://www.cxodigitalpulse.com/?p=42733
69. DCLM / OLMo 2：https://arxiv.org/abs/2406.11794
70. Llama 4：https://charonhub.deeplearning.ai/meta-releases-llama-4-models-claims-edge-over-ai-competitors/
71. 海天瑞声 2021 招股材料与 2023 年报（讯飞等客户）：https://cs.com.cn/ssgs/gsxw/202108/t20210813_6193697.html ；https://paper.cnstock.com/html/2024-04/26/content_1906632.htm