黄牛号贩子跑腿代挂号（18910288832）微信需要挂号联系客服（18910288832）各大医院服务项目！专家挂号，办理住院加快．检查加快，产科建档，指名医生挂号北京，上海，南京，天津．广州，各大医院代挂号

“过马路时，你要注意看车！”

“我计划明天去车展看车。”

这两句话里的“看车”是一个意思吗？相信不少人要会心一笑，表面上看是同一个词组，但其含义因语境不同发生了变化。

这就是中文里常见的“一词多义”现象。人工智能大模型是一种与人类语言密切相关的技术，要让大模型深刻理解这一现象，离不开中文数据的持续供给。

目前，国内多数模型训练使用的数据，中文数据占比已经超过60%，有的模型达到80%。大模型训练中，中文数据占比提升有何意义？中文高质量数据为何持续增加？如何进一步增加中文数据的开发与供给？记者进行了采访。

数据就像大模型的“知识教材”

不同语言的数据对大模型性能有怎样的影响？“数据就像大模型的‘知识教材’，教材的语言属性不同，会对模型的知识体系产生不同影响。”清华大学计算社会科学与国家治理实验室执行主任、教授孟庆国表示。

从知识来源看，过去我国大模型常面临“数据依赖”风险——英文数据在全球互联网的占比较高，如前沿科技论文、行业标准、文化典籍等多以英文呈现，全球高质量标注数据也多以英文为主。

“语言类大模型一般需要遵循一定的语言习惯。”工业和信息化部信息通信经济专家委员会委员盘和林认为，中文数据占比提高，既方便了用户理解其输出结果，又可以保障和提升我国在大模型上的研发能力。

“若中文数据占比低，模型在关键技术迭代中易受‘数据授权限制’‘更新延迟’等影响。”孟庆国说，中文数据占比提高，助力我国在“数据安全”“技术自主”上迈出关键步伐，有利于我国掌握大模型发展主动权。

“中文数据中独有的文化习惯、隐喻表达、政策术语等在英文数据中难以得到体现。模型长期学习英文数据，所形成的‘英文式认知逻辑’，在理解中文特有的思维方式时容易出现偏差。”科大讯飞消费者AI交互业务部总经理赵艳军介绍，中文数据比重的提升，增强了大模型对中华文化及中国场景的理解能力。比如中医问诊时，“上火”“湿气”等概念需要中文语境才能准确推理。

从知识传承看，中文数据承载着我国数千年的文化积累，中文数据占比提高，能让大模型推动中华文化的数字化传播。“中文数据占比高的模型能讲解‘文言文虚词用法’‘诗词平仄规律’等。比如，在解释‘之乎者也’时，结合《论语》《孟子》等中文典籍案例，让传统文化教育更生动。”孟庆国说。

中文高质量数据供给能力不断增强

中文普通数据和中文高质量数据有何区别？普通数据多为未经审核的网络文本、非专业内容，易出现事实错误或概念混淆。而高质量数据需经过“事实核查、专业审核”，语义准确且来源可追溯。

要理解中文高质量数据的重要性，可从医疗诊断这一专业场景讲起。今年8月，中文临床医学知识图谱“磐医知识图谱”在浙江台州发布。“当前，一些大模型学习的医学知识，来源于互联网公开数据，而这些公开数据，有的不严谨、有的存在矛盾、有的更新滞后，这些情况都会对大模型生成的结果产生负面影响。”浙江省全省医疗智能决策重点实验室主任林辉表示，“磐医知识图谱”中的数据均由医学专家审核，每个知识点都有明确来源，且动态更新医学进展。

大模型性能的提升，体现了中文高质量数据的价值。得益于一系列因素的合力助推，中文高质量数据的供给能力不断增强——

政策有支持。从《“数据要素×”三年行动计划（2024—2026年）》提出“打造高质量人工智能大模型训练数据集”，到国家数据局布局建设数据标注基地，政策利好下，大量中文高质量数据集加速建设。

技术有突破。中文数据因“歧义多、语境依赖强”，早期标注成本是英文数据的1.8—2.5倍，随着技术不断进步，开发难度也在降低。例如，国内某“中文语义标注系统”已可自动区分“打毛衣”“打电话”中“打”的含义，让标注效率提升了3倍，且成本有效降低。

行业有共识。国内垂直场景对“中文适配”大模型的需求不断升温，推动中文数据从“辅助补充”变为“核心资源”，更多企业参与到中文数据的开发之中。如中国移动已建成覆盖超30个行业、超3500TB（太字节）的通用高质量数据集。

协同建标准，细分多场景

Token（通常所说的“词元”）是处理文本的最小数据单元。数据显示，2024年初，我国日均Token的消耗量为1000亿，截至今年9月底，我国日均Token消耗量已突破40万亿。这些数字背后，是中文数据资源的快速积累和价值释放。

如何进一步增强中文数据的开发和供给？专家学者带来了思考和建议。