“書生·萬(wàn)卷”1.0集合了語(yǔ)料數(shù)據(jù)聯(lián)盟成員豐富的內(nèi)容積累與上海人工智能實(shí)驗(yàn)室的數(shù)據(jù)處理能力等優(yōu)勢(shì)，將為學(xué)術(shù)界及產(chǎn)業(yè)界提供高質(zhì)量大模型多模態(tài)預(yù)訓(xùn)練語(yǔ)料。本次開源的數(shù)據(jù)總量超過(guò)2TB，具備多元融合、精細(xì)處理、價(jià)值對(duì)齊、易用高效等四大特征。

 

　　本次開源的“書生·萬(wàn)卷”1.0包含文本、圖文、視頻三部分?jǐn)?shù)據(jù)集。其中文本數(shù)據(jù)來(lái)自網(wǎng)頁(yè)、百科、書籍、專利、教材、考題等，數(shù)據(jù)總量超過(guò)5億個(gè)文檔，數(shù)據(jù)大小超過(guò)1TB，覆蓋科技、文學(xué)、媒體、教育、法律等多個(gè)領(lǐng)域；圖文數(shù)據(jù)主要來(lái)自公開網(wǎng)頁(yè)，經(jīng)處理后形成圖文交錯(cuò)文檔，總量超過(guò)2200萬(wàn)個(gè)，數(shù)據(jù)大小超過(guò)140GB（不含圖片），覆蓋新聞事件、人物、自然景觀、社會(huì)生活等多個(gè)領(lǐng)域；視頻數(shù)據(jù)主要來(lái)自中央廣播電視總臺(tái)和上海文廣集團(tuán)，包含新聞、影視等多種類型的節(jié)目影像，總計(jì)視頻文件數(shù)超過(guò)1000個(gè)，數(shù)據(jù)大小超過(guò)900GB，內(nèi)容覆蓋軍事、文藝、體育、自然、知識(shí)、影像藝術(shù)等方面。