海天瑞聲推千萬輪對話語料庫 7.9億定增募資擬投向AI大模型訓練數據集建設等項目

每經記者 可楊    每經編輯 文多    

7月27日，海天瑞聲宣布正式推出「中文千萬輪對話語料庫DOTS-NLP-216」。

海天瑞聲方面分析認為，當前在中文對話領域，公開的數據集往往量少、分布有偏、價格昂貴甚至不能商用。導致一些大模型在中文對話方面的能力，相比英文對話略遜一籌。尤其是在一些需要比較深的中文語言理解能力的對話場景，無論開源的還是閉源的大模型，都往往表現不佳。

海天瑞聲方面表示，真實場景采集，符合中文表達習慣的自然對話數據，將為中文大語言模型（LLM）帶來新動能。

據海天瑞聲方面介紹，此次發布的數據集，是一個符合中國人表達習慣的自然對話數據集，共計約1000萬輪，上億級token（標記）。

此前，海天瑞聲發布公告稱，擬定增募資不超過7.9億元，其中，3.83億元計劃用于“AI大模型訓練數據集建設項目”，4.07億元計劃投向“數據生產垂直大模型研發項目”。

海天瑞聲在公告中表示，在人工智能產業進入以大模型為代表的新的發展時期，通過本次募投項目的實施，公司將建設一批適用性較強的大模型訓練數據集，拓展潛在高增長價值的新型業務板塊，并藉此進一步擴大公司業務規模；同時，以研發海天瑞聲數據生產垂直大模型為核心，升級海天瑞聲一體化技術支撐平臺，研發并引入多項新興技術，促進公司科技創新水平的不斷提升，鞏固公司的核心技術壁壘，構建長期技術實力支撐，從而進一步增強公司核心競爭力。