Papers & Forschung

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
Original lesen Den vollständigen Artikel bei der Originalquelle lesen
Warum es wichtig ist

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.

Originalartikel · AIHOT-Eintrag

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/

Alle ansehen →