领域数据

领域垂直数据集，覆盖医疗、法律、金融、代码、教育等专业领域，介绍数据来源合规性、专业标注要求与领域模型微调的适配方法。

2600 万条医疗问答，超第二名两个数量级：华佗 Huatuo-26M 怎么炼成的

Huatuo-26M 是目前规模最大的中文医疗问答数据集，包…

2026-07-23

0

从 2370 亿个网页里捞出 147 亿 token：OpenWebMath 的数学语料炼金术

OpenWebMath 是 2023 年发布的开源数学网页文…

2026-07-14

0

9000 亿 token 的代码语料：The Stack v2 与 Software Heritage 的来龙去脉

The Stack v2 是 BigCode 项目发布的超大…

2026-07-13

0