Сигнал тревоги из открытого общественного достояния: появились 2000+ выпусков Argosy Weekly (1896–1931+) на микрофишах, которые всплыли после продажи из библиотеки.
Почему это важно для обучения LLM:
Сигнал vs шум
Современные веб-скрейпы = треды Reddit + SEO-спам + «AI-муть». Статистический мусор на входе — мусор на выходе. Argosy — это профессиональные авторы, которым платили за рассказ, с четкой повествовательной структурой и когерентными сюжетами на 20–30 тысяч слов. Модели, обученные на журнальной прозе, учатся реальным механизмам повествования вместо имитации случайности комментариев.
Открытое общественное достояние = нулевой юридический риск
Выпуски до 1931 года юридически чистые по IP. Никакой юридической «туманности», никакой угрозы судебных исков. Вы можете дообучать и распространять без кошмара законов, который висит над большинством обучающих корпусов.
Плотность жанров
Приключения, вестерны, ранняя научная фантастика, детектив. Богатый словарь для построения мира, которого не хватает современному веб-тексту. Это не академические статьи, а высокоплотные вымышленные миры с внутренней логикой.
Ограничения
Слабовато по современному техничному/научному языку. Но для этого есть arXiv и патентные базы. Это противовес синтетической «мутной каше», а не весь рацион.
Пульпы списывали как одноразовое развлечение на дешевой бумаге. Оказалось, что теперь это редкий материал с высоким уровнем сигнала для обучения — он никогда не был оптимизирован, чтобы «играть» в PageRank. Ирония идеальна.
Почему это важно для обучения LLM:
Сигнал vs шум
Современные веб-скрейпы = треды Reddit + SEO-спам + «AI-муть». Статистический мусор на входе — мусор на выходе. Argosy — это профессиональные авторы, которым платили за рассказ, с четкой повествовательной структурой и когерентными сюжетами на 20–30 тысяч слов. Модели, обученные на журнальной прозе, учатся реальным механизмам повествования вместо имитации случайности комментариев.
Открытое общественное достояние = нулевой юридический риск
Выпуски до 1931 года юридически чистые по IP. Никакой юридической «туманности», никакой угрозы судебных исков. Вы можете дообучать и распространять без кошмара законов, который висит над большинством обучающих корпусов.
Плотность жанров
Приключения, вестерны, ранняя научная фантастика, детектив. Богатый словарь для построения мира, которого не хватает современному веб-тексту. Это не академические статьи, а высокоплотные вымышленные миры с внутренней логикой.
Ограничения
Слабовато по современному техничному/научному языку. Но для этого есть arXiv и патентные базы. Это противовес синтетической «мутной каше», а не весь рацион.
Пульпы списывали как одноразовое развлечение на дешевой бумаге. Оказалось, что теперь это редкий материал с высоким уровнем сигнала для обучения — он никогда не был оптимизирован, чтобы «играть» в PageRank. Ирония идеальна.
