Mga Papel at Pananaliksik

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
Basahin ang orihinal Basahin ang buong artikulo sa orihinal na pinagmulan
Dahilan ng rekomendasyon

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.

Link ng orihinal · Entry sa AIHOT

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/

Tingnan lahat →