中文互联网基础语料4.0发布 数据量120GB

时间：2026年9月15日下午 地点：山东济南，2026年国家网络安全宣传周人工智能安全治理分论坛现场 人物：中国网络空间安全协会、国家互联网应急中心、百度、中科闻歌、开普云、拓尔思、科大讯飞、知乎等机构 事件详情：中文互联网基础语料4.0正式向社会发布，数据量120GB。该数据集已在"中文互联网语料资源平台"同步上线，用户登录中国网络空间安全协会官网，完成注册与认证后即可下载或联系获取相关数据。协会负责人表示，4.0是社会各界协同共建高质量中文语料的重要阶段性成果，进一步丰富了国内高质量中文语料供给体系。 背景：中文互联网基础语料系列已迭代至第四版。在中央网信办指导下，网安协会人工智能安全治理专委会此前已陆续发布1.0、2.0、3.0三批语料，每批数据量均为120GB量级。4.0在前序基础上，依托专委会建立的语料共建共享机制，汇聚一批新的高质量可信数据，并经过一系列严格的数据加工处理流程形成。 影响：120GB放在大模型训练的尺度里并非惊人，但"可信"二字才是4.0的核心价值——共建机制到加工流程均有明确出处。对需要合规中文语料的企业和研究者来说，可显著降低数据清洗与合规审查成本。下一步，协会将继续联合国家互联网应急中心等单位，联动各行业深化中文语料建设，持续为人工智能产业高质量发展筑牢数据底座。 总结：中文互联网基础语料4.0为国内大模型训练再添合规数据底座，百度、知乎、科大讯飞等头部企业协同参与，标志着国内中文语料共建机制进入新阶段。 参考来源： - IT之家：https://www.ithome.com/1/002/795.htm - 东方财富网/界面新闻：https://finance.eastmoney.com/a/202609153875083233.html - 网易号/字节漫游指南：https://www.163.com/dy/article/L6TE4M5505561FZV.html - 中国网络空间安全协会官网：https://www.cybersac.cn/newhome - 中文互联网语料资源平台：https://corpus.cybersac.cn/?home - 中国新闻网（3.0背景）：https://m.chinanews.com/wap/detail/cht/zw/10132962.shtml - 中央网信办（3.0背景）：https://www.cac.gov.cn/2023-12/21/c_1704735300488236.htm