五号数据雷达

Beijing Academy of Artificial Intelligence 本次发布的数据集 IndustryCorpus_computer, 该数据集是为了解决行业模型训练中数据量不足、质量低和缺乏领域专业知识的问题而构建的。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。数据集包括1TB的中文数据和2.4TB的英文数据，并对中文数据进行了12种类型的标签标注，包括字母数字比、平均行长度、语言置信度分数、最大行长度和困惑度等。此外，为了验证数据集的性能，进行了医疗行业示范模型的继续预训练、SFT和DPO训练，结果显示性能有显著提升。数据集涵盖18个行业类别，并进行了基于规则和模型的过滤以及文档级数据去重。

查看IndustryCorpus_computer

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。