20260601

raw/articles/ultradata-l3-open-source-2026.md

@@ -0,0 +1,28 @@
+---
+title: "UltraData：面壁智能L3数据集开源与L0-L4数据分级治理体系"
+created: 2026-05-29
+type: article-raw
+source: "微信公众号 (Datawhale)"
+author: "面壁智能团队"
+url: "https://mp.weixin.qq.com/s/5jV2jYuXJloKX5IWCzrSpw"
+tags: ["data-governance", "pretraining", "synthetic-data", "sft", "open-source", "minicpm"]
+---
+
+# UltraData：面壁智能L3数据集开源与L0-L4数据分级治理体系
+
+**作者**: 面壁智能团队
+**来源**: Datawhale (微信公众号)
+**URL**: https://mp.weixin.qq.com/s/5jV2jYuXJloKX5IWCzrSpw
+**收录时间**: 2026-05-29
+
+## 概述
+
+2026年5月，面壁智能联合清华大学、OpenBMB开源社区正式发布 UltraData 系列两大 L3 层级数据集：Ultra-FineWeb-L3 与 UltraData-SFT-2605。基于 L0-L4 数据分级治理体系构建，在 MiniCPM5-1B 训练中完成全链路验证。
+
+## 核心内容
+
+1. **L0-L4 分级治理**: 从原始网页(L0)到RAG编排数据(L4)的五级体系，按训练阶段匹配数据层级
+2. **Ultra-FineWeb-L3**: 全球最大中文预训练合成数据(600B Tokens)，将"可读文本"转化为"好学数据"
+3. **UltraData-SFT-2605**: 国内首次开源千万级SFT数据，含"深思考/非思考"全覆盖
+4. **MiniCPM5-1B**: 登顶Artificial Analysis排行榜(17.9分)，INT4仅0.5GB
+5. **全流程透明**: 公开Query筛选、Answer校验、评测去污等完整治理工具链