近年来，随着数据处理技术的飞速进化以及计算能力的不断提升，大模型及其在生成式人工智能中的应用得到了迅猛发展。这一领域的突破性进展不仅为各行各业带来了巨大的变革潜力，也为我们对人工智能的未来发展充满了无限想象。
近期，Llama 2 发布的消息在AI圈引起了巨大轰动。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。
(资料图片)
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。
关键词：
