five

WanJuan1.0(书生·万卷)

收藏
OpenDataLab2026-04-12 更新2024-05-09 收录
下载链接:
https://opendatalab.org.cn/OpenDataLab/WanJuan1_dot_0
下载链接
链接失效反馈
资源简介:
书生·万卷1.0为书生·万卷多模态语料库的首个开源版本,包含文本数据集、图文数据集、视频数据集三部分,数据总量超过2TB。 目前,书生·万卷1.0已被应用于书生·多模态、书生·浦语的训练。通过对高质量语料的“消化”,书生系列模型在语义理解、知识问答、视觉理解、视觉问答等各类生成式任务表现出的优异性能。 (邮箱联系:OpenDataLab@pjlab.org.cn)

Shusheng·Wanjuan 1.0 is the first open-source version of the Shusheng·Wanjuan multimodal corpus, which consists of three subsets: text datasets, image-text datasets, and video datasets, with a total data volume exceeding 2 TB. Currently, Shusheng·Wanjuan 1.0 has been applied to the training of Shusheng·Multimodal and Shusheng·Puyu. By leveraging high-quality corpus resources, Shusheng-series models demonstrate excellent performance across various generative tasks including semantic understanding, knowledge question answering, visual understanding, and visual question answering. Contact: OpenDataLab@pjlab.org.cn
提供机构:
OpenDataLab
创建时间:
2023-08-13
搜集汇总
数据集介绍
main_image_url
背景与挑战
背景概述
WanJuan1.0(书生·万卷)是一个大型多模态语料库,包含文本、图文和视频数据,总量超过2TB,覆盖科技、文学等多个领域。数据集经过精细清洗、去重和价值对齐处理,确保高质量和安全可信,采用统一格式便于使用,已成功应用于书生系列模型的训练,显著提升了模型在语义理解和生成任务上的性能。
以上内容由遇见数据集搜集并总结生成
5,000+
优质数据集
54 个
任务类型
进入经典数据集
二维码
社区交流群

面向社区/商业的数据集话题

二维码
科研交流群

面向高校/科研机构的开源数据集话题

数据驱动未来

携手共赢发展

商业合作