湖南省健康医疗行业高质量数据集建设项目(湖南健康大数据发展有限公司)

主要建设包括数据基础、开发、治理、资产运营、安全管理与服务开放等在内的高质量数据集服务平台。（1）预训练集涵盖文本、图像、视频3种模态数据，文本数据集源数据规模≥20TB，清洗后≥2TB；图像数据集源数据规模≥25TB，清洗后≥5TB，图像≥500万张；视频数据集清洗后≥500TB,总时长≥2万小时；清洗后的预训练集重复率不高于50%；（2）清洗后的指令微调数据集≥45万条，重复率不高于1%；（3）测试数据集≥12万条；（4）项目建成后，数据集每年服务不少于5个大模型研发。