我们现在大量数据其实都是开放给全球学术界免费做研究的。最近一些比较热门的数据包括
1）安全类语料对：Anthropic/hh-rlhf   模型备案可能要用到
2）Yelp酒店数据：数千万全球酒店数据，含经纬度，不含大陆地区酒店数据
3）Fineweb高质量数据：15T tokens的高质量数据
4）日语quora：700万条提问回答对

其实还有很多很多，欢迎全球学术界的做论文的朋友们和我们联系。@梁博助理小姐姐