Kertas penyelidikan

ModelBest bersama Tsinghua dan OpenBMB mengopen sumberkan set data sintetik prapelatihan Cina terbesar serta set data SFT berskala puluhan juta, mendedahkan data teras MiniCPM5-1B

Tajuk asal: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 Universiti Tsinghua dan OpenBMB melancarkan dan mengopen sumberkan dua set data: Ultra-FineWeb-L3 (melebihi 600B Tokens, dengan lebih 200B dalam bahasa Cina, merupakan set data sintetik prapelatihan Cina terbesar ketika ini) dan UltraData-SFT-2605 (set data SFT pertama di China berskala puluhan juta yang mengandungi anotasi pemikiran mendalam dan bukan pemikiran serentak). Kedua-duanya dibina berdasarkan sistem tadbir urus penggredan data UltraData, telah disahkan sepenuhnya dalam aliran latihan MiniCPM5-1B, dan meliputi keseluruhan rantaian dari penyepuhlindapan prapelatihan hingga SFT selepas latihan. Ia telah tersedia di laman web UltraData dan HuggingFace secara percuma.

Maklumat penting

  • ModelBest bersama Universiti Tsinghua dan OpenBMB melancarkan dan mengopen sumberkan dua set data:…
  • Kedua-duanya dibina berdasarkan sistem tadbir urus penggredan data UltraData,telah disahkan…
  • Ia telah tersedia di laman web UltraData dan HuggingFace secara percuma.

Sekilas pandang

Diterbitkan pada
Dikemas kini pada
Sumber
公众号:面壁智能(MiniCPM)
Kategori
Kertas penyelidikan
Skor AI
61
Baca asal Baca artikel penuh di sumber asal
Sebab disyorkan

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。

Entiti Berkaitan

Sumber dan hak cipta

Artikel ini disusun berdasarkan tajuk pilihan dan ringkasan AI daripada API awam AIHOT, dengan sumber dinyatakan dan pautan balik disediakan; hak cipta teks asal milik media dan penulis asal, laman ini tidak menyalin penuh teks penuh.

Pautan asal · Entri AIHOT

Cara memetik

Apabila memetik artikel ini, kekalkan tajuk, tarikh dan pautan kekal, serta nyatakan sumber sebagai Orange News.

Orange News: ModelBest bersama Tsinghua dan OpenBMB mengopen sumberkan set data sintetik prapelatihan Cina terbesar serta set data SFT berskala puluhan juta, mendedahkan data teras MiniCPM5-1B. 29 Mei 2026. https://new.nat6.net/ms/news/cmq2o64uw01fbsl6ns33miceg/

Lihat Semua →