景联文科技高质量大模型训练数据汇总！

3月25日，2024年中国发展高层论坛年会上，国家数据局局长刘烈宏在“释放数据要素价值，助力可持续发展”的演讲中表示，中国10亿参数规模以上的大模型数量已超100个。

当前，国内AI大模型发展仍面临诸多困境。其中，较为突出的就是高质量数据集的匮乏，这极大阻碍了大模型效果提升。特别是专业的行业应用数据集，其获取难度更大，这导致大模型可使用的数据量受到限制，进而对大模型效果形成阻碍。

景联文科技是大语言模型数据供应商，致力于为不同阶段的模型算法匹配高质量数据资源。

世界知识类书籍、期刊、论文及高价值社区文本数据：

1. 中文书籍 250万本
2. 高质量外文文献期刊 8500万篇
3. 英文高质量电子书 200万本

教育题库：

1. 千12教育题库 1800万
2. 大学题库 1.1亿，800万带解析
3. 英文题库 500万

专业知识类期刊、专利、代码：

1. 中文数字专利 4000万
2. 程序代码（代码注释） 20万

多轮对话：

1. 文本多轮对话 1500万
2. 中英文剧本（电影、电视剧、剧本杀） 6万

音频数据：

1. 普通话 65万小时

图片生成及隐式/显示推理多模态数据：

1. 图文复杂描述 600万
2. 图文推理问答对 600万

生物数据：

1. 核酸库 4000万
2. 蛋白库 50万
3. 蛋白结构库 19万
4. 通路库 1000万
5. 生信工具

药学数据：

1. 药物研发数据库 1300万
2. 全球上市数据库 80万
3. 一致性评价数据库 25万
4. 生产检验数据库 40万
5. 合理用药 300万
6. 多维文献 1亿
7. 原料药数据库 1100万

化学数据：

1. 化合物数据库 1.6亿
2. 反应信息数据库 4100万
3. 物化性质数据库 1.6亿
4. 谱图数据库 20万
5. 晶体信息数据库 100万
6. 安全信息数据库 180万
7. 商品信息数据库 740万

材料数据：

1. 金属材料数据 20万
2. 纳米材料数据 30万
3. 相图数据 6万
4. 材料性能数据 20万
5. 材料腐蚀数据
6. 表面处理数据
7. 焊接材料数据

专利数据：

1. 全球专利基础著录数据 1.3亿
2. 全球专利原文数据 1亿
3. 全球专利附图数据
4. 全球专利法律状态数据
5. 全球专利法律状态数据
6. 全球专利引文数据
7. 全球专利分类索引数据
8. 全球专利重点申请人工商关联数据
9. 全球生化医药专利深加工数据
10. 全球专利全文数据

医疗器械数据：

1. 国内政策法规数据 3千
2. 行业标准数据
3. 中国医疗器械审评数据 20万
4. 中国医械临床试验数据 5千
5. 全球医械临床试验数据 7万
6. 医用耗材中标数据 1400万
7. 医用耗材带量采购数据 400万
8. 医用设备招投标数据38万

同时景联文科技提供大模型训练数据的标注服务，致力于为全球数千家人工智能从业公司和高校科研机构交付海量、高质量的多模态大模型训练数据。

景联文科技｜数据采集｜数据标注｜大语言模型训练数据

助力人工智能技术，赋能传统产业智能转型升级

文章图文著作权归景联文科技所有，商业转载请联系景联文科技获得授权，非商业转载请注明出处。