高质量基础语料 (PT)
高质量基础语料 (PT)
采集并整合多语种、多来源的论文、书籍、百科、专业文献及行业数据，依托严格的清洗、去重与人工复核流程，为大模型提供百亿级体量的预训练语料
生成式 AI 训练
覆盖基础预训练语料与高精度 SFT 指令微调集
提供 RLHF 人类偏好排序与对齐优化服务
涵盖 100+ 语种与 20+ 垂直领域
2000亿+
多模态数据记录
360+
现成可交付数据集
1300亿+
音视频数据
200+
国家/地区覆盖
覆盖大模型训练全周期的专业数据底座
持续预训练 (CPT)
持续预训练 (CPT)
面向金融、医疗、法律等垂直行业，采集专业文献、行业报告与领域文本，通过持续预训练为模型注入垂直领域知识与专业语言习惯
持续预训练 (CPT)
高精度指令微调 (SFT)
高精度指令微调 (SFT)
构建多轮对话与逻辑推理指令样本集，支持按任务类型与难度分布定制，激发模型在通用及垂直场景下的指令遵循与任务执行能力
高精度指令微调 (SFT)
强化学习模型（RLHF）
强化学习模型（RLHF）
提供拥有信息标注的偏好对齐数据，支持结合客户业务场景灵活调整对齐策略，帮助模型在多答案选择中提升判断一致性与表达稳定性
强化学习模型（RLHF）
行业场景覆盖
金融模型
覆盖研报生成、智能投顾对话、风险叙述等场景语料，支持大模型在金融专业场景下的持续预训练与指令微调
医疗模型
覆盖病历生成、医患问答、诊疗建议等场景语料，经严格脱敏处理，支持大模型在医疗专业场景下的持续预训练与指令微调
法律模型
覆盖合同起草、案例分析、法律问答等场景语料，支持大模型在法律专业场景下的持续预训练与指令微调
成品高质量数据集
3D场景-3维数据
覆盖室内外场景、物体模型与空间结构信息的三维数据资源，适用于3D视觉与空间智能训练。
178+
定制
图片-艺术图像
覆盖绘画、雕塑、艺术作品等文化视觉内容资源。
177+
定制
垂类视频-真人短剧
短剧类有真实⼈物出镜
177+
定制
图片-高审美图文 (aesthetics_v2_4.5)
主要数据内容包括： 大规模高美学评分图文配对数据（Image-Text Pair） 基于 LAION-5B 筛选的高质量互联网图片数据 图片对应文本描述（Caption）与元数据信息 多场景、高视觉质量的自然图像资源 包含美学评分（Aesthetic Score）过滤后的优质视觉内容 适用于生成式 AI 与视觉语义训练的数据资源 支持的能力方向包括： 文生图（Text-to-Image）模型训练 Diffusion 模型与生成式 AI 训练 多模态视觉语言模型（VLM）训练 图文语义对齐与跨模态学习 图像美学质量建模与优化 高质量图像生成与视觉理解训练 适用于： AIGC 图像生成模型研发 Stable Diffusion 类模型训练 多模态 AI 模型预训练 计算机视觉与图像生成研究 图文理解与视觉语义分析场景
52+
1.3B+
3D场景-3维数据
覆盖室内外场景、物体模型与空间结构信息的三维数据资源，适用于3D视觉与空间智能训练。
178+
定制
图片-艺术图像
覆盖绘画、雕塑、艺术作品等文化视觉内容资源。
177+
定制
垂类视频-真人短剧
短剧类有真实⼈物出镜
177+
定制
图片-高审美图文 (aesthetics_v2_4.5)
主要数据内容包括： 大规模高美学评分图文配对数据（Image-Text Pair） 基于 LAION-5B 筛选的高质量互联网图片数据 图片对应文本描述（Caption）与元数据信息 多场景、高视觉质量的自然图像资源 包含美学评分（Aesthetic Score）过滤后的优质视觉内容 适用于生成式 AI 与视觉语义训练的数据资源 支持的能力方向包括： 文生图（Text-to-Image）模型训练 Diffusion 模型与生成式 AI 训练 多模态视觉语言模型（VLM）训练 图文语义对齐与跨模态学习 图像美学质量建模与优化 高质量图像生成与视觉理解训练 适用于： AIGC 图像生成模型研发 Stable Diffusion 类模型训练 多模态 AI 模型预训练 计算机视觉与图像生成研究 图文理解与视觉语义分析场景
52+
1.3B+
图片-图文配对 (LAION-5B)
主要数据内容包括： 超大规模图文配对数据（Image-Text Pair） 超过 58 亿互联网图片与文本描述数据 基于 Common Crawl 构建的网页级视觉语义数据资源 覆盖英语及 100+ 多语言图文内容 包含图片 URL、Caption、CLIP 相似度与元数据信息 提供 NSFW、水印、美学评分等质量过滤标签 支持大规模视觉与多模态模型训练的数据资源 支持的能力方向包括： Vision-Language Model（VLM）训练 多模态大模型（MLLM）预训练 文生图（Text-to-Image）模型训练 图文语义对齐与跨模态学习 CLIP 类视觉语义模型训练 图像生成、检索与视觉理解训练 零样本（Zero-shot）与生成式 AI 模型训练 适用于： 多模态 AI 模型研发 Stable Diffusion 类模型训练 AIGC 图像生成与理解 视觉语言基础模型训练 图文检索与语义分析任务 大规模视觉数据 Benchmark 与算法评测 多模态数据工程与研究场景
51+
定制
图片-图文配对 (coyo-700m)
主要数据内容包括： 超大规模图文配对数据（Image-Text Pair） 超过 7 亿互联网图片与英文文本描述数据 基于 Common Crawl 构建的网页级视觉语义数据资源 包含图片 URL、Caption、分辨率与丰富元数据信息 提供 CLIP 相似度、NSFW、安全性、美学评分等质量标注数据 覆盖人物、商品、动物、自然、艺术、生活等多类别视觉内容 支持大规模视觉与多模态模型训练的数据资源 支持的能力方向包括： Vision-Language Model（VLM）训练 多模态大模型（MLLM）预训练 图文语义对齐与跨模态学习 文生图（Text-to-Image）模型训练 CLIP 类视觉语义模型训练 图像分类、检索与视觉理解训练 零样本（Zero-shot）与生成式 AI 模型训练 适用于： 多模态 AI 模型研发 AIGC 图像生成与理解 视觉语言基础模型训练 图文检索与语义分析任务 计算机视觉与多模态研究 大规模视觉数据 Benchmark 与算法评测
51+
700M+
音视频数据-通用视频理解 (Video-10M)
主要数据内容包括： 大规模视频数据与视频文本描述（Video-Text Pair） 超过千万级互联网公开视频资源 包含视频标题、时长、URL 与元数据信息 覆盖自然场景、人物、城市、运动、生活、艺术等多类别视频内容 多场景短视频与动态视觉内容数据资源 适用于视频理解与生成任务的多模态训练数据 支持的能力方向包括： 视频理解与视频分类模型训练 Text-to-Video 视频生成模型训练 视频 Caption 与视频语义理解 Video-Language Model（VLM）训练 动作识别与场景识别训练 多模态视频语义对齐与检索任务 适用于： 视频生成式 AI 模型研发 多模态视频模型预训练 视频理解与分析算法研究 视频检索与推荐系统训练 AIGC 视频内容生成与数据研究 计算机视觉与多模态 Benchmark 场景
51+
10.7M+
图片-多语言图文 (relaion2B-multi-joined-translated-to-en)
主要数据内容包括： 大规模多语言图文配对数据（Multilingual Image-Text Pair） 来自互联网公开资源的图片与文本描述数据 多语言 Caption 数据，并统一翻译为英文语料 覆盖自然场景、人物、商品、艺术、生活等多类别视觉内容 高质量图文语义对齐与跨语言视觉数据资源 包含图像元数据、文本标签与语义描述信息 支持的能力方向包括： 多模态视觉语言模型（VLM）训练 跨语言图文语义对齐训练 文生图（Text-to-Image）模型训练 多语言图像理解与生成能力训练 图文检索与跨模态学习 多语言 AI 与生成式模型预训练 适用于： 多模态 AI 模型研发 多语言视觉语言模型训练 AIGC 图像生成与理解 图文语义分析与数据研究 跨语言 AI 模型训练与 Benchmark 评测
51+
2.1B+
图片-图文配对 (LAION-5B)
主要数据内容包括： 超大规模图文配对数据（Image-Text Pair） 超过 58 亿互联网图片与文本描述数据 基于 Common Crawl 构建的网页级视觉语义数据资源 覆盖英语及 100+ 多语言图文内容 包含图片 URL、Caption、CLIP 相似度与元数据信息 提供 NSFW、水印、美学评分等质量过滤标签 支持大规模视觉与多模态模型训练的数据资源 支持的能力方向包括： Vision-Language Model（VLM）训练 多模态大模型（MLLM）预训练 文生图（Text-to-Image）模型训练 图文语义对齐与跨模态学习 CLIP 类视觉语义模型训练 图像生成、检索与视觉理解训练 零样本（Zero-shot）与生成式 AI 模型训练 适用于： 多模态 AI 模型研发 Stable Diffusion 类模型训练 AIGC 图像生成与理解 视觉语言基础模型训练 图文检索与语义分析任务 大规模视觉数据 Benchmark 与算法评测 多模态数据工程与研究场景
51+
定制
图片-图文配对 (coyo-700m)
主要数据内容包括： 超大规模图文配对数据（Image-Text Pair） 超过 7 亿互联网图片与英文文本描述数据 基于 Common Crawl 构建的网页级视觉语义数据资源 包含图片 URL、Caption、分辨率与丰富元数据信息 提供 CLIP 相似度、NSFW、安全性、美学评分等质量标注数据 覆盖人物、商品、动物、自然、艺术、生活等多类别视觉内容 支持大规模视觉与多模态模型训练的数据资源 支持的能力方向包括： Vision-Language Model（VLM）训练 多模态大模型（MLLM）预训练 图文语义对齐与跨模态学习 文生图（Text-to-Image）模型训练 CLIP 类视觉语义模型训练 图像分类、检索与视觉理解训练 零样本（Zero-shot）与生成式 AI 模型训练 适用于： 多模态 AI 模型研发 AIGC 图像生成与理解 视觉语言基础模型训练 图文检索与语义分析任务 计算机视觉与多模态研究 大规模视觉数据 Benchmark 与算法评测
51+
700M+
音视频数据-通用视频理解 (Video-10M)
主要数据内容包括： 大规模视频数据与视频文本描述（Video-Text Pair） 超过千万级互联网公开视频资源 包含视频标题、时长、URL 与元数据信息 覆盖自然场景、人物、城市、运动、生活、艺术等多类别视频内容 多场景短视频与动态视觉内容数据资源 适用于视频理解与生成任务的多模态训练数据 支持的能力方向包括： 视频理解与视频分类模型训练 Text-to-Video 视频生成模型训练 视频 Caption 与视频语义理解 Video-Language Model（VLM）训练 动作识别与场景识别训练 多模态视频语义对齐与检索任务 适用于： 视频生成式 AI 模型研发 多模态视频模型预训练 视频理解与分析算法研究 视频检索与推荐系统训练 AIGC 视频内容生成与数据研究 计算机视觉与多模态 Benchmark 场景
51+
10.7M+
图片-多语言图文 (relaion2B-multi-joined-translated-to-en)
主要数据内容包括： 大规模多语言图文配对数据（Multilingual Image-Text Pair） 来自互联网公开资源的图片与文本描述数据 多语言 Caption 数据，并统一翻译为英文语料 覆盖自然场景、人物、商品、艺术、生活等多类别视觉内容 高质量图文语义对齐与跨语言视觉数据资源 包含图像元数据、文本标签与语义描述信息 支持的能力方向包括： 多模态视觉语言模型（VLM）训练 跨语言图文语义对齐训练 文生图（Text-to-Image）模型训练 多语言图像理解与生成能力训练 图文检索与跨模态学习 多语言 AI 与生成式模型预训练 适用于： 多模态 AI 模型研发 多语言视觉语言模型训练 AIGC 图像生成与理解 图文语义分析与数据研究 跨语言 AI 模型训练与 Benchmark 评测
51+
2.1B+
合规与数据安全保障
网络安全等级保护
已通过网络安全等级保护二级测评，数据符合国家标准
国际合规与版权保障
严格遵守ISO 9001、ISO 27001、ISO 27701等政策
数据安全管理认证
遵循国内市场监督管理总局认可的数据安全管理体系
常见问题
支持。从千亿级行业知识文本到多模态对齐，我们都能提供高度定制化的采集，适配各种业务需求。
生成式 AI 训练数据是用于支持大模型预训练、指令微调（SFT）与人类偏好对齐（RLHF）的结构化数据集合，通常包括文本、对话、多模态内容及标注数据，用于提升模型的理解与生成能力。
支持。可提供文本、图像、图文对齐及结构化多模态数据，适用于多模态大模型训练与跨模态理解任务构建。
支持。可根据行业需求定制，构建专属训练数据集与知识体系。
可以。所有成品数据集均经过清洗、去重、结构化处理与质量校验，并按标准格式（如 JSONL 等）输出，可直接用于大模型预训练与微调。
