OpenBMB merilis dua dataset sumber terbuka UltraData, menduduki puncak tren HuggingFace
Judul asli:🏆 Big news! UltraData just hit #1 AND #2 on HuggingFace Trending worldwide! 🎉 Released by OpenBMB ...
Ringkasan AI
OpenBMB bersama NLP Tsinghua dan Modelbest merilis dua dataset sumber terbuka: Ultra-FineWeb-L3 (data sintetis pra-pelatihan) berisi 600B+ token (lebih dari 400B bahasa Inggris, 200B+ bahasa Mandarin), dataset sintetis pra-pelatihan bahasa Mandarin sumber terbuka terbesar hingga saat ini; UltraData-SFT-2605 (data SFT pasca-pelatihan) berisi 15M+ sampel, dataset SFT skala besar pertama di Tiongkok yang bersumber terbuka dan mencakup anotasi berpikir dan non-berpikir, mencakup matematika, kode, pengetahuan, dan kepatuhan instruksi. Keduanya dibangun berdasarkan kerangka UltraData L0-L4 dan telah divalidasi dalam pelatihan MiniCPM5-1B. Dataset telah tersedia gratis di HuggingFace.
Poin utama
- OpenBMB bersama NLP Tsinghua dan Modelbest merilis dua dataset sumber terbuka: Ultra-FineWeb-L3…
- UltraData-SFT-2605 (data SFT pasca-pelatihan) berisi 15M+ sampel,dataset SFT skala besar pertama…
- Keduanya dibangun berdasarkan kerangka UltraData L0-L4 dan telah divalidasi dalam pelatihan…
- Dataset telah tersedia gratis di HuggingFace.
Ringkasan cepat
- Waktu terbit
- Waktu diperbarui
- Sumber
- X:面壁智能 OpenBMB (@OpenBMB)
- Kategori
- Produk & Aplikasi
- Skor AI
- 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。
Entitas Terkait
Sumber dan hak cipta
Artikel ini disusun berdasarkan judul pilihan dan ringkasan AI dari API publik AIHOT, dengan sumber yang dicantumkan dan tautan balik; hak cipta konten asli milik media dan penulis aslinya, situs ini tidak menyalin artikel secara penuh.
Cara mengutip
Saat mengutip artikel ini, sertakan judul, tanggal, dan tautan permanen, serta cantumkan sumber Orange News.
Orange News: OpenBMB merilis dua dataset sumber terbuka UltraData, menduduki puncak tren HuggingFace. 1 Juni 2026. https://new.nat6.net/id/news/cmpv8b6wa04jvsl0zc4newlns/