ModelBest veröffentlicht mit Tsinghua und OpenBMB größten chinesischen synthetischen Pre-Training-Datensatz und SFT-Datensatz im Zehn-Millionen-Umfang als Open Source und legt Kerndaten von MiniCPM5-1B offen
Originaltitel:国内首次!面壁智能开源千万级 SFT 与最大中文合成数据,MiniCPM5‑1B 核心数据公开
KI-Zusammenfassung
ModelBest hat gemeinsam mit der Tsinghua-Universität und OpenBMB zwei Datensätze veröffentlicht und als Open Source bereitgestellt: Ultra-FineWeb-L3 (über 600B Tokens, davon über 200B Chinesisch, der derzeit größte chinesische synthetische Pre-Training-Datensatz) und UltraData-SFT-2605 (der erste inländische SFT-Datensatz im Zehn-Millionen-Umfang, der sowohl Deep-Thinking- als auch Non-Thinking-Annotationen enthält). Beide basieren auf dem UltraData-Datenklassifizierungs- und Governance-System und wurden im Trainingsablauf von MiniCPM5-1B vollständig validiert, von der Pre-Training-Annealing-Phase bis zum Post-Training-SFT. Sie sind auf der UltraData-Website und auf HuggingFace kostenlos verfügbar.
Kernpunkte
- ModelBest hat gemeinsam mit der Tsinghua-Universität und OpenBMB zwei Datensätze veröffentlicht…
- Beide basieren auf dem UltraData-Datenklassifizierungs- und Governance-System und wurden im…
- Sie sind auf der UltraData-Website und auf HuggingFace kostenlos verfügbar.
Auf einen Blick
- Veröffentlicht
- Aktualisiert
- Quelle
- 公众号:面壁智能(MiniCPM)
- Kategorie
- Papers & Forschung
- KI-Bewertung
- 61
填补了中文大规模合成数据空白,三年前还在用英文数据做中文模型的日子可以翻篇了,做端侧模型的可以直接拿这份数据跑一版 MiniCPM5-1B 级别的效果。
Verwandte Entitäten
Quelle & Urheberrecht
Dieser Artikel basiert auf kuratierten Titeln und KI-Zusammenfassungen der öffentlichen AIHOT-API, mit Quellenangabe und Rückverlinkung. Das Urheberrecht am Original liegt bei den ursprünglichen Medien und Autoren; diese Seite spiegelt keine Volltexte.
Zitierhinweis
Beim Zitieren dieses Artikels bitte Titel, Datum und Permalink beibehalten und Orange News als Quelle angeben.
Orange News: ModelBest veröffentlicht mit Tsinghua und OpenBMB größten chinesischen synthetischen Pre-Training-Datensatz und SFT-Datensatz im Zehn-Millionen-Umfang als Open Source und legt Kerndaten von MiniCPM5-1B offen. 29. Mai 2026. https://new.nat6.net/de/news/cmq2o64uw01fbsl6ns33miceg/