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
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.
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/