ZGCM-1-Data

中文简介

ZGCM-1-Data 是 ZGCM-1 的中英文训练集合，涵盖预训练、中期能力与长上下文训练、监督微调，包含网页、论文、代码、数学及工具轨迹等来源。

适用场景

适合分阶段语言模型训练与数据配比研究，按实际发布子集核对字段和用途。

规模与格式

选型方向：预训练与后训练数据。固定上游版本：20a6cf27f80d53a2c1fcc8f0dbb9bef7cdd144c3。API 任务字段：text-generation, question-answering。API 语言字段：zh, en。上游最近更新时间：2026-09-18（不一定为首次发布日期）。 规模、子集和组件差异见本页简介及注意事项；API 标签与卡片正文的含义分别保留。

文件说明

上游 API 返回 4009 个文件，文件元数据合计 5.22 TB。 已保存文件清单中的主要扩展名：.parquet 99 个、无扩展名 1 个。 当前较大的文件包括：data/zgcm-1-midtrain-16k/part-00003.parquet（1.78 GB）；data/zgcm-1-midtrain-16k/part-00002.parquet（1.62 GB）；data/zgcm-1-midtrain-16k/part-00047.parquet（1.59 GB）。 仓库文件较多，本站仅保存前 100 条文件元数据；完整清单请查看上游仓库。 此处只统计当前 Git 仓库的文件元数据，不包含外部链接、Bucket 或另行申请的完整集合。

上游文件元数据

以下仅为 Hugging Face 官方 API 返回的文件名与大小元数据，官网没有下载或托管这些文件。

• .gitattributes2.45 KB
• data/zgcm-1-midtrain-16k/part-00000.parquet1.38 GB
• data/zgcm-1-midtrain-16k/part-00001.parquet1.49 GB
• data/zgcm-1-midtrain-16k/part-00002.parquet1.62 GB
• data/zgcm-1-midtrain-16k/part-00003.parquet1.78 GB
• data/zgcm-1-midtrain-16k/part-00004.parquet1.44 GB
• data/zgcm-1-midtrain-16k/part-00005.parquet1.37 GB
• data/zgcm-1-midtrain-16k/part-00006.parquet1.36 GB
• data/zgcm-1-midtrain-16k/part-00007.parquet1.38 GB
• data/zgcm-1-midtrain-16k/part-00008.parquet1.39 GB
• data/zgcm-1-midtrain-16k/part-00009.parquet1.38 GB
• data/zgcm-1-midtrain-16k/part-00010.parquet1.43 GB

文件较多，本页只展示前 12 项；完整信息以上游仓库为准。

硬件建议

先确定配置、split、模态及文件范围，按原始文件、解压产物、缓存与处理副本分别估算磁盘。视频、音频和图像数据还需对应解码工具；建议先用少量样本验证 schema、时间同步与数据处理流程。

注意事项

卡片的模型规模与成绩不等于数据集自身指标；许可标为 other，需进一步核对具体来源和授权条款。 上游设置访问申请，取得所需权限后再获取相应文件。

获取、校验与交付

咨询此资源时只需发送本页链接或资源准确全称。橙子AI科技会继续核对版本、文件与类型、README资料卡、许可证和访问条件，并在合法访问权限、许可证及平台规则允许的前提下，协助海内外下载、完整性校验及网盘或硬盘交付；本官网本身不托管或下载资源文件。

• 数据集获取、核对与国内交付服务
• 数据集怎么下载：版本、分片、许可证与完整性校验
• 企业和高校批量获取模型与数据集：只需链接或准确全称
• 100GB、1TB 以上模型如何用网盘或硬盘交付