01 · 视频与多模态
视频与多模态
短视频、品牌视频、Vlog、4K 素材与运镜实拍、带三层时序标注的体育视频、4K 游戏截图、含七类标注的第一人称交互数据，以及视频 SFT 片段——每条都带结构化元数据。
我们提供什么
五类语料，一套交付标准。
20 类语料，每类都附清单、数据卡与字段规范。
02 · 题库
题库与推理
小学、初中、高中三个学段共 9 个学科，另有 16 个职业门类考题。每题包含题干、选项、答案、解题步骤与知识点。
03 · 代码与智能体
代码与智能体轨迹
仓库级任务：每个任务包对应一个开源仓库的真实 Issue，内含可运行的沙箱镜像、参考补丁、测试补丁与自动评分脚本。
04 · 结构化 SFT
结构化 SFT 与图文对
电商图文对，以及带字段级证据链的商品属性抽取 SFT 语料；当前版本 2,808 条。
05 · 音频
音频
按乐器拆分的人声与伴奏分轨，按曲目组织为 WAV 交付，其中包含一条 41 轨的完整参考曲目。
语料地图
两种读法：先按模态，再按训练阶段。
先按模态，再按训练阶段。同一套 20 类语料，一份清单，两种查阅方式。
| 模态 | 持续预训练与对齐 | SFT | RL 与智能体 | 评测 |
|---|---|---|---|---|
| 文本 · 题库 | — | 九学科三学段与 16 类职业题，含解题步骤；带证据链的属性抽取 | — | 留出题集 |
| 图文 | 电商图文对，含属性与标题 | 字段级证据链的属性抽取 | — | — |
| 图像 | — | — | — | 4K 游戏截图，用于美术风格核验 |
| 视频 | 短视频、品牌视频、Vlog、4K 与运镜实拍；含七类标注的第一人称交互数据 | 视频理解 SFT 片段 | — | 带参考标注的留出片段 |
| 音频 | 按乐器拆分的人声、和声与伴奏分轨，按曲目组织的 WAV | — | — | — |
| 代码 · 轨迹 | — | Issue 到补丁的轨迹，附参考补丁 | 沙箱内可运行、可自评分的任务 | 自动评分脚本 |
左右滑动查看全部阶段 →
生产方式
一类语料怎么生产。
从确认范围到签收交付的五步。
1
范围确认
确认语料类别、量级、字段结构与交付格式。
2
数据入库
登记原始文件、标识、版本与完整性校验。
3
加工标注
按约定 Schema 完成解析、清洗、标注与结构化。
4
质量检查
技术校验、内容抽检与跨字段一致性检查。
5
版本交付
输出数据、清单、校验信息与验收记录。
交付形态
每类语料一套目录结构。
范围、量级、格式与排期按项目确认。
| 项目 | 交付内容 |
|---|---|
manifest.json | 逐条列出文件名、大小、日期与语料编号。 |
| UTF-8 JSONL | 文本与标注一行一条记录。 |
| 媒体文件 | 原始分辨率的视频与音频，另附供审阅的代理文件。 |
| 任务包 | docker/（OCI 布局）与 json/（任务、补丁、评分脚本）。 |
| 文档 | 数据卡、字段规范与每类语料的 PDF 版说明。 |
产品事实
语料服务的当前交付范围。
尚未确定的参数以项目范围确认为准。
20 类语料
5 类语料族
9 学科 × 3 学段题库
16职业门类考题
2,808 条属性抽取 SFT 语料
1 个工作日回复时效
延伸阅读
我们怎么看训练数据。
三篇写给模型负责人的笔记。
申请访问
获取语料清单。
告诉我们模态、训练阶段和量级。我们会在 1 个工作日内回复；样例包、数据卡与字段规范在需求确认后提供。
常见问题
申请前常见问题。
可以先做小范围吗？
可以。通常先做一类语料或一个模态，验收后再扩。
合作前怎么先看语料？
范围沟通确认后，我们提供样例包、数据卡与字段规范。
每一类语料都能直接拿来训练吗？
每类语料都按固定字段结构交付；格式与量级会按你的项目确认。
语料可以按我们的流程改吗？
标注 Schema、抽样比例与交付格式都可以按你的管线调整。
可以新建语料类别吗？
可以。新类别按同一套生产流程确认范围后再报价。