Inilabas ng ModelBest kasama ang Tsinghua at OpenBMB ang pinakamalaking Chinese pretraining synthetic dataset at sampung-milyong-level na SFT dataset, ibinahagi ang core data ng MiniCPM5-1B
Orihinal na pamagat: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
AI summary
Inilabas at open source ng ModelBest kasama ang Tsinghua University at OpenBMB ang dalawang dataset: Ultra-FineWeb-L3 (mahigit 600B Tokens, mahigit 200B sa Chinese, ang pinakamalaking Chinese pretraining synthetic dataset sa kasalukuyan) at UltraData-SFT-2605 (unang sampung-milyong-level na SFT dataset sa bansa na may parehong deep thinking at non-thinking annotation). Pareho silang binuo batay sa UltraData data grading governance system, ganap na na-validate sa MiniCPM5-1B training pipeline, at sumasaklaw sa buong chain mula pretraining annealing hanggang post-training SFT. Nasa UltraData website at HuggingFace na sila, libreng bukas.
Mahahalagang impormasyon
- Inilabas at open source ng ModelBest kasama ang Tsinghua University at OpenBMB ang dalawang…
- Pareho silang binuo batay sa UltraData data grading governance system,ganap na na-validate sa…
- Nasa UltraData website at HuggingFace na sila,libreng bukas.
Mabilisang tingin
- Na-publish noong
- Na-update noong
- Pinagmulan
- 公众号:面壁智能(MiniCPM)
- Kategorya
- Mga Papel at Pananaliksik
- AI na marka
- 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。
Kaugnay na Entity
Pinagmulan at copyright
Ang artikulong ito ay batay sa mga piling pamagat at AI summary mula sa pampublikong API ng AIHOT, may nakasaad na pinagmulan at backlink; ang copyright ng orihinal na teksto ay pag-aari ng orihinal na media at may-akda, hindi namin ginagaya ang buong teksto.
Paano banggitin
Kapag binabanggit ang artikulong ito, panatilihin ang pamagat, petsa at permanenteng link, at banggitin ang Orange News bilang pinagmulan.
Orange News: Inilabas ng ModelBest kasama ang Tsinghua at OpenBMB ang pinakamalaking Chinese pretraining synthetic dataset at sampung-milyong-level na SFT dataset, ibinahagi ang core data ng MiniCPM5-1B. 29 Mayo 2026. https://new.nat6.net/fil/news/cmq2o64uw01fbsl6ns33miceg/