Productos y aplicaciones

OpenBMB lanza dos grandes conjuntos de datos de código abierto y encabeza la lista de tendencias de HuggingFace

Título original:🏆 Big news! UltraData just hit #1 AND #2 on HuggingFace Trending worldwide! 🎉 Released by OpenBMB ...

Resumen de IA

OpenBMB, junto con el NLP de Tsinghua y Modelbest, lanzó dos conjuntos de datos de código abierto: Ultra-FineWeb-L3 (datos sintéticos de preentrenamiento) contiene más de 600B tokens (más de 400B en inglés y más de 200B en chino), el mayor conjunto de datos sintéticos de preentrenamiento en chino de código abierto hasta la fecha; UltraData-SFT-2605 (datos SFT de posentrenamiento) contiene más de 15M de muestras, el primer conjunto de datos SFT a gran escala de código abierto en China con anotaciones de pensamiento y no pensamiento, que abarca matemáticas, código, conocimiento y seguimiento de instrucciones. Ambos se basan en el marco UltraData L0-L4 y se validaron en el entrenamiento de MiniCPM5-1B. Los conjuntos de datos están disponibles gratuitamente en HuggingFace.

Puntos clave

  • OpenBMB,junto con el NLP de Tsinghua y Modelbest,lanzó dos conjuntos de datos de código abierto:…
  • UltraData-SFT-2605 (datos SFT de posentrenamiento) contiene más de 15M de muestras,el primer…
  • Ambos se basan en el marco UltraData L0-L4 y se validaron en el entrenamiento de MiniCPM5-1B.
  • Los conjuntos de datos están disponibles gratuitamente en HuggingFace.

Resumen rápido

Publicado
Actualizado
Fuente
X:面壁智能 OpenBMB (@OpenBMB)
Categoría
Productos y aplicaciones
Puntuación IA
78
Leer el original Leer el artículo completo en la fuente original
Por qué importa

面壁开源了两个王炸数据集,预训练的 600B+ token 中文合成数据史上最大,SFT 那边 1500 万条带思考链的指令更是头一回见,做中文基础模型的可以无脑下载了。

Entidades relacionadas

Fuente y derechos

Este artículo se basa en títulos seleccionados y resúmenes de IA de la API pública de AIHOT, con atribución y enlaces de vuelta. Los derechos del original pertenecen a los medios y autores originales; este sitio no reproduce textos completos.

Artículo original · Ficha de AIHOT

Cómo citar

Al citar este artículo, conserva el título, la fecha y el enlace permanente, e indica que la fuente es Orange News.

Orange News: OpenBMB lanza dos grandes conjuntos de datos de código abierto y encabeza la lista de tendencias de HuggingFace. 1. junio 2026. https://new.nat6.net/es/news/cmpv8b6wa04jvsl0zc4newlns/

Ver todo →