领域数据 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… 由Ainexis 2026-07-23 0 阅读更多
偏好数据 不靠人工标注也能教会 AI 懂偏好，聊聊 100 万条 UltraFeedback UltraFeedback 是清华团队发布的超大规模 AI … 由Ainexis 2026-07-20 0 阅读更多
评测基准 57 个科目、15908 道题：MMLU 为什么成了大模型的「通用知识体温计」 MMLU（Massive Multitask Languag… 由Ainexis 2026-07-17 0 阅读更多
预训练语料 1.4 万亿 token 里炼出 1560 亿：C4 是怎么把网页「洗」成语料的 C4（Colossal Clean Crawled Corp… 由Ainexis 2026-07-16 0 阅读更多
偏好数据 让 GPT-4 当裁判，18.3 万条偏好对比：Nectar 是怎么给 RLHF 造数据的 Nectar 是 UC Berkeley BAIR 团队（C… 由Ainexis 2026-07-15 0 阅读更多
领域数据 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… 由Ainexis 2026-07-14 0 阅读更多
预训练语料 800GB 开源语料是怎么攒出来的？The Pile 的 22 个子集拆解 The Pile 是 EleutherAI 于 2020 年… 由Ainexis 2026-07-14 0 阅读更多
领域数据 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… 由Ainexis 2026-07-13 0 阅读更多
指令数据 1.6 万条对话、35 种语言：OpenAssistant 那份众包指令数据的来龙去脉 OASST1（OpenAssistant Conversat… 由Ainexis 2026-07-13 0 阅读更多
偏好数据 「有用」还是「无害」？Anthropic 那套 HH-RLHF 偏好数据怎么教会模型取舍 HH-RLHF 是 Anthropic 在 2022 年论文… 由Ainexis 2026-07-11 0 阅读更多
指令数据 5000 名员工众包 1.5 万条指令：Dolly 那份「能商用」的指令数据怎么来的 当 Alpaca、Vicuna 这些指令微调模型都因为「用了… 由Ainexis 2026-07-09 0 阅读更多
综合能力榜 2026 大模型综合实力榜：LMArena 和 Artificial Analysis，到底谁说了算？ 同样问「谁是最强模型」，LMArena 说 Claude F… 由Ainexis 2026-05-19 0 阅读更多
