論文・研究

面壁智能が清華大学、OpenBMBと共同で最大の中国語事前学習合成データセットと千万級SFTデータセットをオープンソース化、MiniCPM5‑1Bの核心データを公開

原題: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

AI 要約

面壁智能は清華大学、OpenBMBと共同で2つのデータセットを発表しオープンソース化した。Ultra-FineWeb-L3(600B Tokens超、中国語200B+、現在最大の中国語事前学習合成データセット)とUltraData-SFT-2605(国内初の千万級で深思考と非思考のアノテーションを同時に含むSFTデータセット)である。両者はUltraDataデータ分级治理体系に基づいて構築され、MiniCPM5-1Bのトレーニングフローで完全に検証され、事前学習アニーリングから後訓練SFTまでの全チェーンをカバーする。UltraDataサイトとHuggingFaceで公開され、無料で開放されている。

要点

  • 面壁智能は清華大学、OpenBMBと共同で2つのデータセットを発表しオープンソース化した。
  • Ultra-FineWeb-L3(600B Tokens超、中国語200B+、現在最大の中国語事前学習合成データセット)とUltraData-SFT-2605(国内初の千万級で深思考と非思考のアノテ…
  • 両者はUltraDataデータ分级治理体系に基づいて構築され、MiniCPM5-1Bのトレーニングフローで完全に検証され、事前学習アニーリングから後訓練SFTまでの全チェーンをカバーする。
  • UltraDataサイトとHuggingFaceで公開され、無料で開放されている

概要

公開日時
更新日時
出典
公众号:面壁智能(MiniCPM)
カテゴリ
論文・研究
AI スコア
61
原文を読む 情報源で全文を読む
おすすめの理由

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。

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。

原文記事 · AIHOT 記事

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:面壁智能が清華大学、OpenBMBと共同で最大の中国語事前学習合成データセットと千万級SFTデータセットをオープンソース化、MiniCPM5‑1Bの核心データを公開。2026年5月29日。https://new.nat6.net/ja/news/cmq2o64uw01fbsl6ns33miceg/

すべて見る →