强化学习环境
构建可持续的环境，用于在工作场景中衡量智能体能力，涵盖长周期任务、自然指令、真实工具和领域特定判断。
Datacurve
认领Datacurve 为前沿 AI 构建数据与评测基础设施，提供长周期推理、软件工程和数据科学所需的数据集、基准、环境与专家轨迹，捕捉真实工作与模型行为。
Datacurve 是什么
Datacurve 将自己描述为前沿 AI 的数据引擎，以及支持研究与数据采集的基础设施，帮助训练模型处理长周期工作。其网站重点展示了推理、软件工程和数据科学所需的数据类型，尤其关注判断、迭代和部分进展同样重要的场景。
产品页面将 Datacurve 介绍为数据集、基准、评测、强化学习环境和专家轨迹的提供方。公开研究页面还补充了 Deep SWE，这是一项面向长周期软件工程的基准，体现了该公司将这一方法用于评估和衡量智能体在更真实工程任务中的表现。
核心能力
长周期任务
收集跨越数小时或数天的任务，并保留歧义、部分进展和恢复过程，使模型训练反映真实工作，而不是简化后的提示。
OTS 数据集
提供预先构建的数据集，经过信号筛选、质量审核，并结构化到可直接接入训练栈的形式。
基准与评测
构建旨在捕捉与任务一致、对领域敏感的提升，而不仅仅优化单一数值指标的基准。
智能体轨迹
记录完整的专家执行轨迹，包括工具调用、检查、转向和恢复，让智能体既能学习结果，也能学习过程。
监督微调数据
使用专门工具为监督微调创建演示数据，让专家能够自然地工作，同时保留工作背后的操作判断。
实际用途
长周期软件工程
在较长的软件工程任务上训练或评估编码智能体，此类任务的正确结果取决于许多中间步骤、工具使用和恢复操作。
数据科学与研究工作流
为科学或分析场景中的模型开发整理数据集和评测，在这些场景里，任务结构和判断都很重要。
真实工作上的智能体训练
创建反映真实系统复杂性的强化学习环境，包括部分进展和领域特定决策。
用于模型调优的行为监督
使用专家执行轨迹和演示来教模型理解专家如何完成任务，而不仅仅是最终答案长什么样。
Pros and Cons
Pros
- 涵盖多种数据产品，包括数据集、基准、环境、轨迹和微调数据。
- 面向更难的任务场景，例如长周期工作、部分进展和恢复。
- 明确列出软件工程和数据科学等相关领域。
- 发布了自己的研究内容，包括 Deep SWE 基准，为其方法增加了一定透明度。
Cons
- 所提供的来源没有包含详细的实现、集成或部署信息。
- 收集到的证据中的定价页面返回 404，因此这些来源无法公开查看价格和套餐信息。
FAQ
Datacurve 提供什么？
Datacurve 将自己定位为面向前沿 AI 的研究与数据采集基础设施。其产品页面重点介绍强化学习环境、长周期任务、OTS 数据集、基准、智能体轨迹和监督微调数据。
它面向哪些团队或领域？
网站强调其适用领域包括软件工程、数据科学、网络安全、机器学习和研究，并明确侧重长周期推理与可验证工作。
Datacurve 会发布基准和研究吗？
研究页面介绍了 Deep SWE，这是一个面向长周期软件工程的基准，并说明 Datacurve 会基于自身研究发布基准、数据集和评测。
网站上有定价信息吗？
所收集证据中的定价页面返回 404，因此在这些来源里，网站目前没有公开可用的稳定定价页面。
Quick Facts
- 类别
- AI 数据平台
- 主要聚焦
- 面向长周期推理、软件工程和数据科学的定制数据
- 源域名
- datacurve.ai
- 公开研究
- Deep SWE 基准
- 主要产品类型
- 环境、长周期任务、OTS 数据集、基准、智能体轨迹、SFT 数据