Beijing Academy of Artificial Intelligence 发布 IndustryCorpus 数据集, 应用在 数据预处理、行业应用 领域

Beijing Academy of Artificial Intelligence 本次发布的数据集 IndustryCorpus, 该数据集通过应用22个行业数据处理操作符，从超过100TB的开放源数据集中筛选出3.4TB的高质量多行业分类中英文预训练数据集，包括1TB的中文数据和2.4TB的英文数据。中文数据被标注了12种类型的标签，涵盖18个行业类别，如医疗、教育、文学、金融等。数据集通过连续预训练、SFT和DPO训练在医疗行业示范模型上验证了性能，显示了20%的客观性能提升和82%的主观胜率。

查看IndustryCorpus

Dataset card 内容： 

Files and versions 内容： 

关于 Beijing Academy of Artificial Intelligence , 智源研究院（BAAI）是中国顶尖的人工智能研究机构，致力于推动AI基础理论与应用创新。

关于 HuggingFace , Hugging Face是一个机器学习社区协作平台，专注于模型、数据集和应用程序的创建、发现和协作。该平台支持多种数据类型，包括文本、图像、视频、音频和3D数据，并提供开源工具和付费计算及企业解决方案。