原创力文档- 1、本文档共34页，可阅读全部内容。
- 2、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。
- 3、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 5、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 6、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 7、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 8、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
LARGELANGUAGE
MODELSTRAININGDATA
WHITEPAPER
-1-
大模型训练数据白皮书
专家委员会
安筱鹏阿里云智能副总裁
袁媛阿里研究院执行副院长
宋志刚数字中国研究院(福建)院长
编写组主要成员
傅宏宇王峥赵志远郑达真
张荣陈岳峰李天宇徐强
编写单位
阿里巴巴集团
数字中国研究院（福建）
阿里云智能集团
-2-
欢迎关注“阿里研究院”公众号
关于我们
阿里研究院是阿里巴巴集团的内设智库机构，多年来扎根于阿里巴巴丰富的
数字科技商业生态，依托前沿的产业实践和大量的创新案例，围绕集团“用户为
先，AI驱动”的战略重心，聚焦于科技创新、数据和算法治理等领域的研究。
联系我们
aliresearch2023@
-3-
大模型训练数据白皮书
目录
CONTENTS
01训练数据对大模型发展的重要性02
02模型训练所需的数据类型03
2.1训练大语言模型的数据03
2.2训练多模态模型的数据04
2.3训练数据的常见疑问和误解04
2.3.1大模型训练并不依赖用户个人信息04
2.3.2中文语料短缺不是制约我国大模型发展的重要因素05
03科学理解高质量数据的含义与作用06
3.1高质量数据的重要性06
3.2高质量数据的标准07
3.2.1高质量数据类型的三重不确定性07
3.2.2同类数据的评估标准并不完全一致08
文档评论（0）