随着大模型 发展 步入新阶段，数据问题已成为其发展与广泛应用的 重要 制约因素。

2023年业界聚焦于“缺芯”问题，即芯片短缺对AI硬件设施的影响；而2024年，业界关注焦点转向“缺数据”， 逐渐出现 数据需求剧增、数据质量问题、标注挑战、隐私与合规关切、数据偏见与公平性问题、数据孤岛与共享难题，以及新兴领域数据匮乏等多方面挑战。

在大模型训练的各个阶段，数据的确扮演至关重着要的角色。景联文科技作为大语言模型数据服务商，提供海量优质大模型数据集， 致力于为 不同训练阶段的算法精准匹配高质量数据资源，以应对上述数据挑战。

世界知识类书籍、期刊、论文及高价值社区文本数据：

l  中文书籍 250万本

l  高质量外文文献期刊 8500万篇

l  英文高质量电子书 200万本

教育题库：

l  K12教育题库 1800万

l  大学题库 1.1亿，800万带解析

l  英文题库 500万

专业知识类期刊、专利、代码：

l  中文数字专利 4000万

l  程序代码（代码注释） 20万

多轮对话：

l  文本多轮对话 1500万

l  中英文剧本（电影、电视剧、剧本杀） 6万

音频数据：

l  普通话 65万小时

图片生成及隐式 /显示推理多模态数据：

l  图文复杂描述 600万

l  图文推理问答对 600万

生物数据：

l  核酸库 4000万

l  蛋白库 50万

l  蛋白结构库 19万

l  通路库 1000万

l  生信工具

药学数据：

l  药物研发数据库 1300万

l  全球上市数据库 80万

l  一致性评价数据库 25万

l  生产检验数据库 40万

l  合理用药 300万

l  多维文献 1亿

l  原料药数据库 1100万

化学数据：

l  化合物数据库 1.6亿

l  反应信息数据库 4100万

l  物化性质数据库 1.6亿

l  谱图数据库 20万

l  晶体信息数据库 100万

l  安全信息数据库 180万

l  商品信息数据库 740万

材料数据：

l  金属材料数据 20万

l  纳米材料数据 30万

l  相图数据 6万

l  材料性能数据 20万

l  材料腐蚀数据

l  表面处理数据

l  焊接材料数据

专利数据：

l  全球专利基础著录数据 1.3亿

l  全球专利原文数据 1亿

l  全球专利附图数据

l  全球专利法律状态数据

l  全球专利法律状态数据

l  全球专利引文数据

l  全球专利分类索引数据

l  全球专利重点申请人工商关联数据

l  全球生化医药专利深加工数据

l  全球专利全文数据

医疗器械数据：

l  国内政策法规数据 3千

l  行业标准数据

l  中国医疗器械审评数据 20万

l  中国医械临床试验数据 5千

l  全球医械临床试验数据 7万

l  医用耗材中标数据 1400万

l  医用耗材带量采购数据 400万

l  医用设备招投标数据 38万

同时景联文科技提供大模型训练数据的标注服务，致力于为全球数千家人工智能从业公司和高校科研机构交付海量、高质量的多模态大模型训练数据。

景联文科技｜数据采集｜数据标注｜大语言模型训练数据

助力人工智能技术，赋能传统产业智能转型升级

文章图文著作权归景联文科技所有，商业转载请联系景联文科技获得授权，非商业转载请注明出处。