Beijing Academy of Artificial Intelligence 发布 IndustryCorpus_programming 数据集, 应用在 行业数据、预训练模型 领域

Beijing Academy of Artificial Intelligence 本次发布的数据集 IndustryCorpus_programming, 该数据集是通过应用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的3.4TB高质量多行业分类中英文预训练数据。数据包括1TB中文数据和2.4TB英文数据，并对中文数据进行了12种类型的标签标注，如字母数字比、平均行长度、语言置信度分数等。数据集涵盖18个行业类别，包括医疗、教育、文学、金融等，并进行了基于规则和模型的过滤以及文档级去重。此外，通过在医疗行业示范模型上进行持续预训练、SFT和DPO训练，数据显示了20%的性能提升和82%的主观胜率。

查看IndustryCorpus_programming

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。