ModelBest, avec Tsinghua et OpenBMB, open source le plus grand jeu de données de pré-entraînement synthétique chinois et un jeu de données SFT de niveau dizaines de millions, en publiant les données clés de MiniCPM5-1B
Titre 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
Résumé IA
ModelBest, avec l'Université Tsinghua et OpenBMB, a publié et open source deux jeux de données : Ultra-FineWeb-L3 (plus de 600B Tokens, dont plus de 200B en chinois, le plus grand jeu de données de pré-entraînement synthétique chinois actuel) et UltraData-SFT-2605 (le premier jeu de données SFT chinois de niveau dizaines de millions contenant à la fois des annotations de réflexion approfondie et de non-réflexion). Tous deux sont construits sur le système de gouvernance par niveaux UltraData et ont été entièrement validés dans le pipeline d'entraînement de MiniCPM5-1B, couvrant toute la chaîne, du recuit de pré-entraînement au SFT post-entraînement. Ils sont disponibles gratuitement sur le site UltraData et sur HuggingFace.
Points clés
- ModelBest,avec l'Université Tsinghua et OpenBMB,a publié et open source deux jeux de données:…
- Tous deux sont construits sur le système de gouvernance par niveaux UltraData et ont été…
- Ils sont disponibles gratuitement sur le site UltraData et sur HuggingFace.
En bref
- Publié
- Mis à jour
- Source
- 公众号:面壁智能(MiniCPM)
- Catégorie
- Articles et recherche
- Score 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。
Entités associées
Source et droits
Cet article s'appuie sur des titres sélectionnés et des résumés IA issus de l'API publique AIHOT, avec attribution et liens de retour. Les droits sur l'original restent ceux des médias et auteurs d'origine ; ce site ne reproduit pas les textes intégraux.
Comment citer
Pour citer cet article, conservez le titre, la date et le lien permanent, et indiquez Orange News comme source.
Orange News : ModelBest, avec Tsinghua et OpenBMB, open source le plus grand jeu de données de pré-entraînement synthétique chinois et un jeu de données SFT de niveau dizaines de millions, en publiant les données clés de MiniCPM5-1B. 29. mai 2026. https://new.nat6.net/fr/news/cmq2o64uw01fbsl6ns33miceg/