ModelBest, junto con Tsinghua y OpenBMB, abre el mayor conjunto de datos sintéticos chinos de preentrenamiento y un conjunto SFT de escala decenas de millones, publicando los datos centrales de MiniCPM5-1B
Título original: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
Resumen de IA
ModelBest, junto con la Universidad de Tsinghua y OpenBMB, publica y abre dos grandes conjuntos de datos: Ultra-FineWeb-L3 (más de 600B Tokens, de ellos más de 200B en chino, el mayor conjunto de datos sintéticos chinos de preentrenamiento actual) y UltraData-SFT-2605 (el primer conjunto SFT nacional de escala decenas de millones que incluye anotaciones de pensamiento profundo y no pensamiento). Ambos se construyen sobre el sistema de gobernanza por niveles UltraData y se han validado por completo en el proceso de entrenamiento de MiniCPM5-1B, cubriendo toda la cadena desde el annealing de preentrenamiento hasta el SFT de postentrenamiento. Ya están disponibles de forma gratuita en el sitio web de UltraData y en HuggingFace.
Puntos clave
- ModelBest,junto con la Universidad de Tsinghua y OpenBMB,publica y abre dos grandes conjuntos de…
- Ambos se construyen sobre el sistema de gobernanza por niveles UltraData y se han validado por…
- Ya están disponibles de forma gratuita en el sitio web de UltraData y en HuggingFace.
Resumen rápido
- Publicado
- Actualizado
- Fuente
- 公众号:面壁智能(MiniCPM)
- Categoría
- Artículos e investigación
- Puntuación IA
- 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。
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: ModelBest, junto con Tsinghua y OpenBMB, abre el mayor conjunto de datos sintéticos chinos de preentrenamiento y un conjunto SFT de escala decenas de millones, publicando los datos centrales de MiniCPM5-1B. 29. mayo 2026. https://new.nat6.net/es/news/cmq2o64uw01fbsl6ns33miceg/