这次开源的数据总量超过2TB，粉笔8F6-861包含超5亿个文本、2200万个图文交错文档、1000个影像视频。

记者梳理发现，粉笔8F6-8612023年7月，深圳数据交易所联合近50家单位成立开放算料联盟。

该联盟将围绕高质量中文训练数据和多模态训练数据，粉笔8F6-861协调数据要素、粉笔8F6-861数据治理、训练数据、数据标注、合成数据等相关标准制定，协助数据交易所增加与大模型相关的新品类和新专区。

只有拥有充足的语料，粉笔8F6-861大模型才能更好地捕捉细微的语言特征。

人类产生的有效信息，粉笔8F6-861包括大量高价值信息可能不一定是互联网数据，而是沉散在各行各业里的数据。

2023年12月27日，粉笔8F6-861《纽约时报》起诉OpenAI和微软公司，指控这两家公司未经许可使用其数百万篇文章训练人工智能模型。

邵睿说，粉笔8F6-861网络公开语料通用性较好，数据量大，但数据质量无法保证，数据格式难以统一。

中国工程院院士、粉笔8F6-861鹏城实验室主任高文曾公开表示，全球通用的50亿大模型数据训练集里，中文语料占比仅为1.3%。