My ex-boss became my personal cum toy. 讓那個開除我的老闆變成我的賤狗。🧸💦 👤 | @Trainee__K 🇯🇵 See me ride until he filled me. ↓

A well-trained, highly obedient muscle pup with outstanding abilities even got fisted.十分聽話的肉壯賤狗奴@brandylooking 噴尿技能出眾，外翻狗逼還可以被拳 Full version /

上周，机器人公司 UR 和 Scale AI 达成了合作，发布了 UR AI Trainer。 这也标志着 Scale AI 这家数据标注巨头，誓要进军机器人（具身智能）领域了。 Scale AI 热衷于扩展新业务的原因大家都清楚，昔日巨头现在的地位稍有些微妙。 自从去年年中，Scale AI 被Meta 收购了 49% 的股权后，联创 Alexander Wang 也从 Scale AI 直接加入了 Meta。 这让 Scale AI 失去了一定的中立性，也导致了一些客户的远离。 例如 Google，但自从 Scale AI 成为 Meta 的半子公司之后，Google 就停止了跟它的合作，转而和 Surge AI 等机构开始合作。 再比方说以前 OpenAI 跟Scale AI 是深度合作的，过去 OpenAI 得大量跟Scale AI 买标注好的数据。 但是 Meta 半收购后，OpenAI 也大幅降低了 Scale AI 作为数据标注供应商的权重。 根据市场推测，现在 Surge AI 的收入甚至有可能不亚于 Scale AI。Surge AI 由Edwin Chen 领导，不过 Chen 比 Wang 低调不少。 其实数据标注这是一个很赚钱的生意，它是劳动密集型的。 那些来自于印度、菲律宾或者肯尼亚的数据标注工们，对着图片、文字一通标注，干一份拿一份钱，颇有送外卖、开网约车的感觉。 这个特别让人容易联想到 Crypto，因为都是干一份工作、拿一份激励。 其实 Crypto 这么多年，别的不敢说，至少把激励这事儿整得比较明白😂。 其实 Crypto 也有数据标注的项目比如 Sahara。 最近又有一个项目也是蛮火的，币还没发出来，就已经被 Coinbase 纳入上币路线图了。这个项目叫做 Perle @PerleLabs 。 巧的是，创始人正是 Scale AI 之前的增长负责人。他的名字叫 Ahmed Rashad，看名字听起来像是一个中东裔。 毕竟 Scale 现在估值已经达到了惊人的 290 亿美金。那么创始人 Rashad 作为 Scale AI 的前任高管，Perle 自然也得到了投资人的青睐，它在币圈融了 1750 万美金。 当然了，说实话尽管融了这么多钱，目前阶段 Perle 想直接跟前东家 Scale AI 掰手腕还是有难度的。 Scale AI 走的是大而全的数据路线，要什么数据有什么数据，甚至现在连机器人的数据都在开始准备。 那 Perle 的思路是什么呢？ Rashad 因为之前在做 Scale AI 增长总监的时候，应该是见过了太多印度、菲律宾的数据标注工了。 他认为这样的点击农场似的工作状态可能有点问题，所以他现在想走的是”高精尖路线”。 而 Rashad 则是希望 Perle 专注在客单价比较高的数据标注赛道，比方说：法律、医学、金融等等。 然后再配合上 Crypto 的激励效果，希望吸引更多的专家级，而不是数据标注这种劳工级的标注者加入。 当然了，做高精尖的也不是是市场空白。 比方说 Surge AI 就有很多高精尖的数据标注工作。同时，受限于体量，像 Google 这样的顶级大厂，由于非常严格的精度要求，恐怕在目前阶段还是没法和Perle 这样的小厂进行合作。 所以 Perle 瞄准的更多是什么呢？是那种二三线的 AI 公司。他们急需打出差异化，并且对于成本更敏感。 另一方面，有很多做大模型微调、LoRA 的项目，他们也会对这些高精度数据有所垂涎。

传说中的“碳奸”出现了？😂 LinkedIn 招土木工程师做 AI Trainer：远程合同制，页面标价 $100/小时。工作不是让 AI 盖桥，而是为它的职业建议写标准答案、定评分规则、检查 FE/PE 执照路径。 碳基专家，手把手教硅基世界“什么叫懂土木”。 已有 100+ 人申请。👇

Daily training—teaching my dog to be submissive and well-behaved. You also want to get trained? 日常奴隶训练，最终调教成绝对服从的好狗。你也想被主人洗脑调教么？ 完整版主页简介链接电报群观看

极其良心：开箱即用 单个数据集 6.9GB 到 5.1TB 不等，全统一 HDF5 格式，支持 Hugging Face 流式读取。官方还给了一键安装的 PyTorch 接口： ```python from the_well.data import WellDataset # 一行代码加载数据 trainset = WellDataset("base_path", "active_matter")

⚡ 真香！智谱 GLM 大模型背后的那套开源 RL 训练框架开源了——slime GitHub 揽获 7000+ stars。 做大模型强化学习后训练，最头疼的是一堆 trainer、rollout 服务、agent 框架拼在一起，数据流绕来绕去，出了 bug 还经常是悄无声息的那种。 slime 的思路是把训练、数据生成、奖励计算这些全压到同一条数据流上，用 Megatron 做训练、SGLang 做推理，中间不再叠一层又一层的抽象。 GLM-5.2、GLM-5、GLM-4.6 这一整串智谱旗舰模型的 RL 后训练，背后跑的都是它，等于被前沿模型的完整训练流程反复验证过。 它还支持 Qwen、DeepSeek V3、Llama 3 这些主流模型系列。 GitHub：

“你好，我是你預約上門的私教老師，跟我練起來吧~” ——『上門私教課』 "Hello, I'm the personal trainer you made an appointment with at your home. Let's start training together ~" ——『Home yoga class』

🎓 兄弟们，想把开源大模型微调成自己想要的样子，Hugging Face 官方维护的 TRL 把整套后训练都备好了。 GitHub 上 1.9 万 star，DeepSeek R1 训练用的 GRPO 算法，在 TRL 里就是一个现成的训练器。今天刚发 1.13 版，上一版是 8 月 26 号。 以前想照着论文给模型做一遍偏好对齐或者强化学习，得自己写训练循环、算奖励、处理多卡，光把代码跑通就要耗掉不少时间。 在 TRL 里，从监督微调 SFT，到用偏好数据做 DPO，再到 GRPO 强化学习，每一步都有对应的 Trainer 直接调，不想写代码还能用命令行起训练。 显卡不够也有办法：接上 PEFT 用 LoRA、QLoRA 加量化，有限的硬件也能训大模型；卡多了就通过 Accelerate 和 DeepSpeed 扩到多节点。连标注都能省，KTO 只要“好 / 不好”这种二元反馈，不用两两比较。 想自己动手做后训练的，先把 TRL 摸熟准没错。 GitHub：