随着大模型的走进公众视野，为AI领域带来了前所未有的机遇，大家期待着通过生成式AI能够解决更为复杂的问题，实现更高层次的智能。近期，Llama 2 发布的消息更是在AI圈引起了巨大轰动。

据公开资料显示，Llama 2在数据层面，相比上一代不仅使用了更多的训练数据，而且context length翻倍，达到4096。值得一提的是，Llama 2在公开测试基准上的结果显示，其在代码、常识推理、世界知识、阅读理解、数学等评测维度的能力均获得大幅提升。7B版本在很多测试集上接近甚至有超越30B的MPT模型的表现。

在 Llama 2 官网公布的50余家合作伙伴中，作为唯一的中国企业，海天瑞声榜上有名，成为 Llama 2 全球合作伙伴。同时，海天瑞声COO李科及CTO黄宇凯作为 Supporter，支持 Meta AI 的这种开源行为。可以让每个人都能从这个技术中受益良多，并为技术带来足够的透明度、审慎性和可信性。

当前在中文对话领域，公开的数据集往往量少、分布有偏、价格昂贵甚至不能商用。导致一些大模型在中文对话方面的能力，相比英文对话略逊一筹。尤其是在一些需要比较深的中文语言理解能力的对话场景，无论开源的还是闭源的大模型，都往往表现不佳。

海天瑞声正式推出「中文千万轮对话语料库 DOTS-NLP-216」。真实场景采集，符合中文表达习惯的自然对话数据，将为中文大语言模型（LLM）带来新动能。我们致力于在安全合规的基础上，为大模型提供更好的性能和鲁棒性，帮助企业更轻松的构建高质量生成式AI应用。

数据集优势：

· 中文多轮对话：符合中文表达习惯，真实场景采集的自然对话

· 超大规模：上亿级 token

· 立等可取：成品数据集

· 自有版权：安全合规，可授权商用

数据集详情：

这是一个符合中国人表达习惯的自然对话数据集，共计约1,0000,000轮，上亿级token，包含正式&非正式风格对话，使用偏口语化自然表达。覆盖工作、生活、校园等场景，及金融、教育、娱乐、体育、汽车、科技等领域。

在数据集构成上，DOTS-NLP-216包含了对真实场景的对话采集，及高度还原真实场景的模拟对话这两种方式，兼顾分布的代表性、多样性和样本规模。

样例：

据悉，海天瑞声近期还发布了再融资预案，将建设不少于10大类型的大模型数据集系列产品，用于大语言模型、多模态大模型的训练和大模型评测。