随着大模型的走进公众视野，为AI领域带来了前所未有的机遇，大家期待着通过生成式AI能够解决更为复杂的问题，实现更高层次的智能。近期，Llama 2 发布的消息更是在AI圈引起了巨大轰动。
据公开资料显示，Llama 2在数据层面，相比上一代不仅使用了更多的训练数据，而且context length翻倍，达到4096。值得一提的是，Llama 2在公开测试基准上的结果显示，其在代码、常识推理、世界知识、阅读理解、数学等评测维度的能力均获得大幅提升。7B版本在很多测试集上接近甚至有超越30B的MPT模型的表现。
在 Llama 2 官网公布的50余家合作伙伴中，作为唯一的中国企业，海天瑞声榜上有名，成为 Llama 2 全球合作伙伴。同时，海天瑞声COO李科及CTO黄宇凯作为 Supporter，支持 Meta AI 的这种开源行为。可以让每个人都能从这个技术中受益良多，并为技术带来足够的透明度、审慎性和可信性。
当前在中文对话领域，公开的数据集往往量少、分布有偏、价格昂贵甚至不能商用。导致一些大模型在中文对话方面的能力，相比英文对话略逊一筹。尤其是在一些需要比较深的中文语言理解能力的对话场景，无论开源的还是闭源的大模型，都往往表现不佳。
海天瑞声正式推出「中文千万轮对话语料库DOTS-NLP-216」。真实场景采集，符合中文表达习惯的自然对话数据，将为中文大语言模型(LLM)带来新动能。我们致力于在安全合规的基础上，为大模型提供更好的性能和鲁棒性，帮助企业更轻松的构建高质量生成式AI应用。
数据集优势：
·中文多轮对话：符合中文表达习惯，真实场景采集的自然对话
·超大规模：上亿级 token
·立等可取：成品数据集
·自有版权：安全合规，可授权商用
数据集详情：
这是一个符合中国人表达习惯的自然对话数据集，共计约1,0000,000轮，上亿级token，包含正式&非正式风格对话，使用偏口语化自然表达。覆盖工作、生活、校园等场景，及金融、教育、娱乐、体育、汽车、科技等领域。
在数据集构成上，DOTS-NLP-216包含了对真实场景的对话采集，及高度还原真实场景的模拟对话这两种方式，兼顾分布的代表性、多样性和样本规模。
样例：
据悉，海天瑞声近期还发布了再融资预案，将建设不少于10大类型的大模型数据集系列产品，用于大语言模型、多模态大模型的训练和大模型评测。
（免责声明：本网站内容主要来自原创、合作伙伴供稿和第三方自媒体作者投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。
任何单位或个人认为本网站中的网页或链接内容可能涉嫌侵犯其知识产权或存在不实内容时，应及时向本网站提出书面权利通知或不实情况说明，并提供身份证明、权属证明及详细侵权或不实情况证明。本网站在收到上述法律文件后，将会依法尽快联系相关文章源头核实，沟通删除相关内容或断开相关链接。 ）
