IndustryCorpus_medicine 医疗健康专业预训练数据集

智源人工智能研究院IndustryCorpus医疗健康专业高质量预训练数据集，可用于医疗健康行业语言大模型的预训练或继续预训练阶段。

Developed by Beijing Academy of Artificial Intelligence (BAAI), the IndustryCorpus high-quality professional healthcare pre-training dataset can be used for the pre-training or continued pre-training stages of large language models (LLMs) in the healthcare industry.

搜集汇总

背景与挑战

背景概述

IndustryCorpus_medicine是BAAI发布的医疗健康专业预训练数据集，作为多行业分类数据集的医疗子集，通过22个数据处理操作符从大规模开源数据中清洗和过滤，生成高质量中英文数据，并验证了在医疗行业模型上的性能提升。该数据集大小为90.48GB，包含中文数据的多标签标注，旨在支持企业智能转型和行业应用。