BAAI-CCI3.0

智源构建的中文互联网语料库CCI 3.0数据集Zhiyuan-developed Chinese Internet Corpus CCI 3.0 dataset

搜集汇总

背景与挑战

背景概述

BAAI-CCI3.0是一个1000GB规模的中文互联网语料库，包含498GB高质量子集（HQ），收录了超过2.68亿个网页，覆盖新闻、社交媒体和博客等多个领域。该数据集经过严格的数据清洗、去重和多维度标注，来自20多家知名机构，旨在提升大模型的中文能力，支持人工智能产业生态发展。