近日，上海人工智能實(shí)驗(yàn)室宣布聯(lián)合語料數(shù)據(jù)聯(lián)盟成員單位，共同開源發(fā)布“書生·萬卷”1.0多模態(tài)預(yù)訓(xùn)練語料。

　　“書生·萬卷”1.0集合了語料數(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)練語料。本次開源的數(shù)據(jù)總量超過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)來自網(wǎng)頁、百科、書籍、專利、教材、考題等，數(shù)據(jù)總量超過5億個(gè)文檔，數(shù)據(jù)大小超過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)主要來自公開網(wǎng)頁，經(jīng)處理后形成圖文交錯(cuò)文檔，總量超過2200萬個(gè)，數(shù)據(jù)大小超過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1000個(gè)，數(shù)據(jù)大小超過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。(記者沈文敏)

　　《 人民日?qǐng)?bào) 》( 2023年08月16日 12 版)