“科大訊飛套殼ChatGPT！”“百度文心一言套皮Stable Diffusion！”“商湯大模型實則抄襲！”……

外界對國產大模型產生質疑已經不是一次兩次了。

業內人士對這個現象的解釋是，高質量的中文數據集實在緊缺，訓模型時只能讓采買的外文標注數據集“當外援”。訓練所用的數據集撞車，就會生成相似結果，進而引發烏龍事件。

其余辦法中，用現有大模型輔助生成訓練數據容易數據清洗不到位，重復利用token會導致過擬合，僅訓練稀疏大模型也不是長久之計。

業內漸漸形成共識：

通往AGI的道路，對數據數量和數據質量都將持續提出極高的要求。

時勢所需，近2個月來，國內不少團隊先后開源了中文數據集，除通用數據集外，針對編程、醫療等垂域也有專門的開源中文數據集發布。

高質量數據集雖有但少

大模型的新突破十分依賴高質量、豐富的數據集。

根據OpenAI 《Scaling Laws for Neural Language Models》提出大模型所遵循的伸縮法則（scaling law）可以看到，獨立增加訓練數據量，是可以讓預訓練模型效果變更好的。

這不是OpenAI的一家之言。

DeepMind也在Chinchilla模型論文中指出，之前的大模型多是訓練不足的，還提出最優訓練公式，已成為業界公認的標準。

△主流大模型，Chinchilla參數最少，但訓練最充分

不過，用來訓練的主流數據集以英文為主，如Common Crawl、BooksCorpus、WiKipedia、ROOT等，最流行的Common Crawl中文數據只占據4.8%。

中文數據集是什么情況？

公開數據集不是沒有——這一點量子位從瀾舟科技創始人兼CEO、當今NLP領域成就最高華人之一周明口中得到證實——如命名實體數據集MSRA-NER、Weibo-NER等，以及GitHub上可找到的CMRC2018、CMRC2019、ExpMRC2022等存在，但整體數量和英文數據集相比可謂九牛一毛。

并且，其中部分已經老舊，可能都不知道最新的NLP研究概念（新概念相關研究只以英文形式出現在arXiv上）。

中文高質量數據集雖有但少，使用起來比較麻煩，這就是所有做大模型的團隊不得不面對的慘烈現狀。此前的清華大學電子系系友論壇上，清華計算機系教授唐杰分享過，千億模型ChatGLM-130B訓練前數據準備時，就曾面臨過清洗中文數據后，可用量不到2TB的情況。

解決中文世界缺乏高質量數據集迫在眉睫。

行之有效的解決方法之一，是直接用英文數據集訓大模型。

在人類玩家打分的大模型匿名競技場Chatbot Arena榜單中，GPT-3.5在非英文排行榜位居第二（第一是GPT-4）。要知道，96%的GPT-3.5訓練數據都是英文，再刨去其他語種，用來訓練的中文數據量少到可以用“千分之n”來計算。

國內top3高校某大模型相關團隊在讀博士透露，如果采用這種方法，不嫌麻煩的話，甚至可以給模型接一個翻譯軟件，把所有語言都轉換成英語，然后把模型的輸出轉換為中文，再返回給用戶。

然而這樣喂養出的大模型始終是英文思維，當遇到成語改寫、俗語理解、文章改寫這類含有中文語言特色的內容，往往處理不佳，出現翻譯錯誤或潛在文化的偏差。

還有個解決辦法就是采集、清洗和標注中文語料，做新的中文高質量數據集，供給給大模型們。

開源數據集眾人拾柴

察覺現況后，國內不少大模型團隊決定走第二條路，著手利用私有數據庫做數據集。

百度有內容生態數據，騰訊有公眾號數據，知乎有問答數據，阿里有電商和物流數據。

積累的私有數據不一，就可能在特定場景和領域建立核心優勢壁壘，將這些數據嚴格搜集、整理、篩選、清洗和標注，能保證訓出模型的有效性和準確性。

而那些私有數據優勢不那么明顯大模型團隊，開始全網爬數據（可以預見，爬蟲數據量會非常大）。

華為為了打造盤古大模型，從互聯網爬取了80TB文本，最后清洗為1TB的中文數據集；浪潮源1.0訓練采用的中文數據集達5000GB（相比GPT3模型訓練數據集為570GB）；最近發布的天河天元大模型，也是天津超算中心搜集整理全域網頁數據，同時納入各種開源訓練數據和專業領域數據集等的成果。

與此同時，近2個月來，中文數據集出現眾人拾柴火焰高的現象——

許多團隊陸續發布開源中文數據集，彌補當前中文開源數據集的不足或失衡。

其中部分整理如下：

• CodeGPT：由GPT和GPT生成的與代碼相關的對話數據集；背后機構為復旦大學。
• CBook-150k：中文語料圖書集合，包含15萬本中文圖書的下載和抽取方法，涵蓋人文、教育、科技、軍事、政治等眾多領域；背后機構為復旦大學。
• RefGPT：為了避免人工標注的昂貴成本，提出一種自動生成事實型對話的方法，并公開我們的部分數據，包含5萬條中文多輪對話；背后是來自上海交大、香港理工大學等機構的NLP從業者。
• COIG：全稱“中國通用開放指令數據集”，是更大、更多樣化的指令調優語料庫，并由人工驗證確保了它的質量；背后的聯合機構包括北京人工智能研究院、謝菲爾德大學、密歇根大學、達特茅斯學院、浙江大學、北京航空航天大學、卡內基梅隆大學。
• Awesome Chinese Legal Resources：中國法律數據資源，由上海交大收集和整理。
• Huatuo：通過醫學知識圖譜和GPT3.5 API構建的中文醫學指令數據集，在此基礎上對LLaMA進行了指令微調，提高了LLaMA在醫療領域的問答效果；項目開源方是哈工大。
• Baize：使用少量“種子問題”，讓 ChatGPT 自己跟自己聊天，并自動收集成高質量多輪對話數據集；加州大學圣迭戈分校（UCSD）與中山大學、MSRA合作團隊把使用此法收集的數據集開源。

當更多的中文數據集被開源到聚光燈下，行業的態度是歡迎與欣喜。如智譜AI創始人兼CEO張鵬表達出的態度：

中文高質量數據只是被藏在深閨而已，現在大家都意識到這個問題了，自然也會有相應的解決方案，比如數據開源。
總之是在向好的方向發展，不是嗎？

值得注意的是，除了預訓練數據，目前階段人類反饋數據同樣不可或缺。

現成的例子擺在眼前：

與GPT-3相比，ChatGPT疊加的重要buff就是利用RLHF（人類反饋強化學習），生成用于fine-tuing的高質量標記數據，使得大模型向與人類意圖對齊的方向發展。

提供人類反饋最直接的辦法，就是告訴AI助手“你的回答不對”，或者直接在AI助手生成的回復旁邊點贊或踩一踩。

先用起來就能先收集一波用戶反饋，讓雪球滾起來，這就是為什么大家都搶著發布大模型的原因之一。

現在，國內的類ChatGPT產品，從百度文心一言、復旦MOSS到智譜ChatGLM，都提供了進行反饋的選項。

但由于在大部分體驗用戶眼中，這些大模型產品最主要的還是“玩具”屬性。

當遇到錯誤或不滿意的回答，會選擇直接關掉對話界面，并不利于背后大模型對人類反饋的搜集。