继今年7月在2023世界人工智能大会发起成立“中国大模型语料数据联盟”（以下简称“语料数据联盟”），上海人工智能实验室（上海AI实验室）8月14日宣布，联合语料数据联盟成员单位共同开源发布“书生·万卷” 1.0多模态预训练语料。
澎湃新闻（www.thepaper.cn）记者从上海市经信委获悉，“书生·万卷” 1.0目前包含文本数据集、图文数据集、视频数据集三部分，本次开源的数据总量超过2TB。该语料数据包含超过5亿个文本、2200万个图文交错文档、1000个节目影像视频，将为学术界及产业界提供高质量大模型多模态预训练语料。
其中，文本数据为来自网页、百科、书籍、专利、教材、考题等不同来源的清洗后预训练语料，数据总量超过5亿个文档，数据大小超过1TB，覆盖科技、文学、媒体、教育、法律等多个领域。
图文数据主要来自公开网页，经处理后形成图文交错文档。文档总量超过2200万个，数据大小超过140GB（不含图片），覆盖新闻事件、人物、自然景观、社会生活等多个领域。
视频数据主要来自中央广播电视总台和上海文广集团，包含新闻、影视等多种类型的节目影像，总计视频文件数超过1000个，数据大小超过900GB，内容覆盖军事、文艺、体育、自然、真实世界、知识、影像艺术、媒体、美食、历史、科教等方面。
高质量、大规模、安全可信的语料数据对于大语言模型的训练和性能提升至关重要。
在多元融合方面，“书生·万卷”1.0包含文本、图文、视频等多模态数据，范围覆盖科技、文学、媒体、教育、法律等多个领域，在训练提升模型知识含量、逻辑推理和泛化能力方面具有显著效果。
在精细处理方面，“书生·万卷”1.0经历了语言甄别、正文抽取、格式标准化、基于规则及模型的数据过滤与清洗、多尺度去重、数据质量评估等精细化数据处理环节，因而能更好地适配后续的模型预训练需求。
在价值对齐方面，研究人员在“书生·万卷”1.0的构建过程中，着眼于内容与中文主流价值观的对齐，通过算法与人工评估结合的方式，提升了语料的纯净度。
在易用高效方面，研究人员在“书生·万卷”1.0采用统一格式，并提供详细的字段说明和工具指导，使其兼顾了易用性和效率，可快速应用于语言、多模态等大模型预训练。
澎湃新闻记者从上海市经信委获悉，中国大模型语料数据联盟是由上海人工智能实验室联合中央广播电视总台、人民网、国家气象中心、中国科学技术信息研究所、上海报业集团、上海文广集团、上海数据集团、上海市数商协会、金杜律师事务所等单位联合发起成立的开放组织。