Beijing Academy of Artificial Intelligence 发布 IndustryCorpus_technology 数据集, 应用在 行业模型训练、预训练数据集 领域

Beijing Academy of Artificial Intelligence 本次发布的数据集 IndustryCorpus_technology, 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的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。数据集进行了12种类型的标签标注，并经过了行业分类语言模型的过滤和文档级别的去重处理。数据集涵盖了18个行业类别，并针对每个行业类别提供了数据大小。为了验证数据集的性能，还进行了持续预训练、SFT和DPO训练，结果显示性能有显著提升。

查看IndustryCorpus_technology

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。