Makalah & Riset

ModelBest Bersama Tsinghua dan OpenBMB Membuka Sumber Terbuka Dataset Sintetis Pra-pelatihan Bahasa Mandarin Terbesar dan Dataset SFT Skala Puluhan Juta, Mengungkap Data Inti MiniCPM5-1B

Judul asli: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

Ringkasan AI

ModelBest bersama Universitas Tsinghua dan OpenBMB merilis dan membuka sumber dua dataset: Ultra-FineWeb-L3 (lebih dari 600B Token, Mandarin 200B+, dataset sintetis pra-pelatihan Mandarin terbesar saat ini) dan UltraData-SFT-2605 (dataset SFT pertama di Tiongkok berskala puluhan juta yang sekaligus memuat anotasi deep thinking dan non-thinking). Keduanya dibangun berdasarkan sistem tata kelola bertingkat data UltraData, sepenuhnya tervalidasi dalam alur pelatihan MiniCPM5-1B, mencakup seluruh rantai dari annealing pra-pelatihan hingga SFT pasca-pelatihan. Telah tersedia di situs UltraData dan HuggingFace, terbuka gratis.

Poin utama

  • ModelBest bersama Universitas Tsinghua dan OpenBMB merilis dan membuka sumber dua dataset:…
  • Keduanya dibangun berdasarkan sistem tata kelola bertingkat data UltraData,sepenuhnya tervalidasi…
  • Telah tersedia di situs UltraData dan HuggingFace,terbuka gratis.

Ringkasan cepat

Waktu terbit
Waktu diperbarui
Sumber
公众号:面壁智能(MiniCPM)
Kategori
Makalah & Riset
Skor AI
61
Baca aslinya Baca artikel lengkap di sumber aslinya
Alasan rekomendasi

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。

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.

Tautan asli · Entri AIHOT

Cara mengutip

Saat mengutip artikel ini, sertakan judul, tanggal, dan tautan permanen, serta cantumkan sumber Orange News.

Orange News: ModelBest Bersama Tsinghua dan OpenBMB Membuka Sumber Terbuka Dataset Sintetis Pra-pelatihan Bahasa Mandarin Terbesar dan Dataset SFT Skala Puluhan Juta, Mengungkap Data Inti MiniCPM5-1B. 29 Mei 2026. https://new.nat6.net/id/news/cmq2o64uw01fbsl6ns33miceg/

Lihat semua →