面壁智能联合清华大学、OpenBMB开源社区联合发布并开源两大最新数据集
作者:吹吹风会发光
时间:2026-05-29
浏览:1
5月29日,面壁智能联合清华大学、OpenBMB开源社区,一口气开源了两大最新数据集:Ultra-FineWeb-L3与UltraData-SFT-2605。这可不是一般的更新——Ultra-FineWeb-L3包含了高质量的中文+英文网页合成数据,总量突破600B Tokens,其中中文数据就占了
本文目录
5月29日,面壁智能联合清华大学、OpenBMB开源社区,一口气开源了两大最新数据集:Ultra-FineWeb-L3与UltraData-SFT-2605。这可不是一般的更新——Ultra-FineWeb-L3包含了高质量的中文+英文网页合成数据,总量突破600B Tokens,其中中文数据就占了200B+ Tokens,是目前开源社区规模最大的中文预训练合成数据集。而UltraData-SFT-2605,则是国内首次开源的千万级、同时包含深思考与非思考标注的SFT数据集。
如果你关注过MiniCPM5-1B的训练过程,就会发现这正是UltraData分级治理体系的一次完整实践。这次上新的两大数据集,其实已经在MiniCPM5-1B的训练流程中得到了完全验证,覆盖了从预训练退火到后训练SFT的全链路。换句话说,这不是纸上谈兵的理论成果,而是实打实地跑通了整个流程。

作者最新文章
Agent Space智能体如何进行功能测试
2026-11-01 08:45
Proxifier怎么卸载:Windows标准版彻底移除与配置清理指南
2026-10-30 09:37
七彩虹 iGame RTX 5070 Ti Ultra SFF 显卡图赏:嘻哈涂鸦风,设计更潮酷
2026-10-26 16:48
viso如何导入word的详细操作步骤教程
2026-10-20 16:03
蛙蛙写作苹果手机更新新版本怎么下载
2026-10-15 19:40
热门文章
更多
精品专题
更多
Mac软件
更多
WINDOWS
更多

































