OpenBMBがUltraDataの2大オープンソースデータセットを発表、HuggingFaceトレンド榜で首位
原題:🏆 Big news! UltraData just hit #1 AND #2 on HuggingFace Trending worldwide! 🎉 Released by OpenBMB ...
AI 要約
OpenBMBは清華NLPおよびModelbestと共同で2つのオープンソースデータセットを発表した。Ultra-FineWeb-L3(事前学習用合成データ)は600B+ tokens(英語400B超、中国語200B+)を含み、これまで最大のオープンソース中国語事前学習合成データセットである。UltraData-SFT-2605(後学習SFTデータ)は15M+サンプルを含み、中国初のオープンソースかつ思考・非思考アノテーションを含む大規模SFTデータセットで、数学、コード、知識、指示追従をカバーする。両者ともUltraData L0-L4フレームワークに基づいて構築され、MiniCPM5-1Bのトレーニングで検証済み。データセットはHuggingFaceで無料公開されている。
要点
- OpenBMBは清華NLPおよびModelbestと共同で2つのオープンソースデータセットを発表した。
- Ultra-FineWeb-L3(事前学習用合成データ)は600B+ tokens(英語400B超、中国語200B+)を含み、これまで最大のオープンソース中国語事前学習合成データセットである。
- UltraData-SFT-2605(後学習SFTデータ)は15M+サンプルを含み、中国初のオープンソースかつ思考・非思考アノテーションを含む大規模SFTデータセットで、数学、コード、知識、指示追従…
- 両者ともUltraData L0-L4フレームワークに基づいて構築され、MiniCPM5-1Bのトレーニングで検証済み。
- データセットはHuggingFaceで無料公開されている
概要
- 公開日時
- 更新日時
- カテゴリ
- 製品とアプリ
- AI スコア
- 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。
関連エンティティ
出典と著作権
本記事は AIHOT の公開 API が提供する厳選タイトルと AI 要約に基づいており、出典の明記と元記事へのリンクを行っています。原文の著作権は元の媒体と著者に帰属し、当サイトは全文を転載しません。
引用方法
本記事を引用する際は、タイトル・日付・パーマリンクを保持し、出典をOrange Newsと明記してください。
Orange News:OpenBMBがUltraDataの2大オープンソースデータセットを発表、HuggingFaceトレンド榜で首位。2026年6月1日。https://new.nat6.net/ja/news/cmpv8b6wa04jvsl0zc4newlns/