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
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.
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/