隨著共建“一帶一路”進入高質量發展新階段，科技創新與合作將在其中發揮更關鍵的作用。上海人工智能實驗室（上海AI實驗室）通過研發先進數據智能技術，提供多語言語料庫等舉措，探索以人工智能賦能高質量共建“一帶一路”。

1月9日，上海AI實驗室聯合大模型語料數據聯盟成員發布了“萬卷·絲路”多語言預訓練語料庫，為多語言大模型訓練提供高質量數據支撐。

“萬卷·絲路”首期開源了包含泰、俄、阿、韓、越等五個語種的語料，總規模超1.2TB（單語種均超過150GB），Token總數超過300B，涵蓋使用上述語種國家地區的生活、百科、文化、新聞等七大領域數據。

開源鏈接：<a https:="" opendatalab.com"="" target="_blank" style="box-sizing: border-box; background: 0px 0px; transition: all 0.3s ease-in-out 0s; text-decoration-line: none; color: rgb(58, 90, 122); word-break: break-all;">https://opendatalab.com/applyMultilingualCorpus" target="_blank" style="word-break: break-all;">https://opendatalab.com/applyMultilingualCorpus

海量數據+細分領域，適應多樣化研究需求

數據是人工智能重要的基礎設施，數據質量是決定人工智能應用能力的關鍵因素之一。針對多語言語料庫發展不平衡、高質量語料短缺的研究現狀，上海AI實驗室開源了“萬卷·絲路”多語言語料庫。作為綜合性文本語料庫，“萬卷·絲路”采集了多個國家地區的網絡公開信息、文獻、專利等資料，數據總規模超1.2TB，Token總數超過300B（300 billion），處于國際領先水平。首期開源的語料庫主要由泰語、俄語、阿拉伯語、韓語和越南語5個子集構成，每個子集的數據規模均超過150GB。

基于“書生·浦語”智能標簽分類體系，上海AI實驗室研究團隊將每個語料子集細分為7個大類和32個小類，覆蓋歷史、政治、文化、房產、購物、天氣、餐飲、百科、專業知識等多類具有語言所在地特征內容，便于研究者根據具體需求檢索數據，并可適應不同研究領域多樣化需求。

“萬卷·絲路”語料庫子集分類（共計7大類、32小類，圖表中僅展示了部分標簽）

專家標注+數據智能，兼顧安全與質量

“萬卷·絲路”語料庫通過專家人工標注，確立了包含七個維度的文本數據質量評估體系，從完整性、有效性、可理解性、流暢性、相關性、相似性和安全性等方面保障數據的高標準與高質量。

通過使用基于大語言模型的數據質量評估開源工具——Dingo（https://github.com/DataEval/dingo），研究團隊從多維度對“萬卷·絲路”的數據質量進行了全面評估。結果表明，其五個子集均獲得優異的綜合評分，顯著優于同類語言語料庫。

為充分體現多語言特色、全面提升數據質量與適用性，發揮實驗室領先的數據處理能力優勢，研究團隊為“萬卷·絲路”設計一套精準化數據處理流程：

1.對網頁及非網頁數據進行標準化處理，統一數據格式，然后運用局部敏感哈希算法高效去重，降低冗余；

2.在安全性處理上，建立域名黑名單篩除不良網頁數據，構建多語言特色敏感詞表并結合語境評估，精準過濾有害內容，同時訓練語言安全模型，進行多維度不良內容檢測和篩選；

3.利用主題分類器對數據進行分類，優化知識域分布；

4.通過PPL初篩快速剔除低質量數據，再借助基于BERT的質量分類模型精準篩選高質量內容。

該流程有效融合多語言特點與行業通識技術，為多語言模型訓練提供了高質量、安全可靠的數據基礎。

萬卷·絲路數據處理流程

為評估“萬卷·絲路”數據集質量，研究團隊使用“萬卷·絲路”數據在開源基座上進行繼續預訓練，實驗結果顯示，使用“萬卷·絲路”后，模型在多語言內容理解及推理能力上的表現均獲得了提升。

中國大模型語料數據聯盟

由上海人工智能實驗室聯合中央廣播電視總臺、人民網、國家氣象中心、中國科學技術信息研究所、上海報業集團、上海文廣集團等10家單位聯合發起。為應對大模型發展對高質量、大規模、安全可信語料數據資源的需求，保障大模型科研攻關及相關產業生態發展，大模型語料數據聯盟于2023年7月6日世界人工智能大會開幕式上宣布成立，旨在通過鏈接模型訓練、數據供給、學術研究、第三方服務等多方面機構，聯合打造多知識、多模態、標準化的高質量語料數據，探索形成基于貢獻、可持續運行的激勵機制，打造國際化、開放型的大模型語料數據生態圈。

來源：上海人工智能實驗室