这种方式已经能很好地回答“这一页有什么”，但是 RAG、知识库和 Agent 工作流真正需要的，不只是每一页识别出了哪些文字和表格，更是整篇文档能否被还原成连续、准确、可检索、可分析的文档级语义结构。

5月24日，一个暴雨的午后，MinerU 官方开发者线下沙龙·上海站在徐汇区模速空间顺利举办。虽然天气并不算友好，但现场依然迎来了许多开发者、科研 AI 实践者、社区用户与开源关注者。大家围绕科学数据、文档智能、数据质量评测、MinerU 开源生态等话题展开深入交流，...

此次更新，MinerU SaaS 端完成了Office 全格式原生解析的适配，无需中间转化，拖入Office文档，即可实现端到端内容提取，速度更快，解析更丝滑：

随着 MinerU2.5-Pro 模型在 OmniDocBench 1.6 上取得 SOTA 成绩的发布，大家都在询问我们：MinerU 开源项目什么时候能真正把这个超强模型接进来，跑在实际的文档解析项目里？

你有没有过这种经历？写论文写到最后一步，偏偏卡在了配图制作上。对着空白画布坐了一下午，用 PPT 摆图标摆到眼花，终于拼出个大概，结果第二天打开再看，丑得自己都看不下去，直接推翻重来。用 AI 生图倒是快，可生成完哪个元素位置不对都动不了，想调整还得重新生...

大型语言模型（LLM）已成为处理自然语言和汇聚世界知识的尖端技术，呈现了令人惊叹的自然语言理解和生成能力。然而，人类的语言远不止自然语言那么简单，特别是在科学研究领域，比如化学，存在着极其复杂且精确的专业语言体系，例如用表示分子结构的化学语言（SMILES...

在构建国产大语言模型的道路上，高质量新闻是不可或缺的重要语料之一。这类语料集准确性、逻辑性、时效性于一体，同时包含丰富的事实知识，可以大幅提升模型的文本生成质量、词汇表达能力、事件理解分析能力以及时序内容的适应性和预测能力，使其在现实世界的应用中...

这个数据集有多新？Readme在一天前刚更新完的那种，而且数据集有一大特点，是专门为长视频生成任务设计的大规模视频数据集，不仅提供了时长更长的数据，还从视频主体、背景、风格等不同维度进行了非常详细的文本“分层”描述，关注视频生成的小伙伴不容错过！相信一定...

最近因为 Sora 模型大火，带动了文生视频任务研究。有小伙伴“吭哧吭哧”上手后，到人工精标数据时迷茫了，不知道选什么视频-文本标注工具为好。

近日，上海人工智能实验室（上海AI实验室）发布新一代高质量大模型预训练语料“WanJuan 2.0”（WanJuan-CC）（以下简称WanJuan-CC)，首批开源的语料覆盖过去十年互联网上的公开内容，包含1千亿字符（100B token），约400GB的高质量英文数据。作为“大模型语料数据联盟”...

为帮助广大开发者更好地了解大模型语料数据联盟发布的AI大模型语料数据，沟通大模型企业在AI视角下的数据需求，不断服务大模型产业生态和落地应用，联盟发起单位上海人工智能实验室联合成员单位共同打造“解数 Talk”系列直播。

近期，Google旗下的前沿人工智能企业DeepMind汇集了来自 22 种不同机器人类型的数据，创建了 Open X-Embodiment 数据集并开源了出来。该数据集让他们研发的RT-2 机器人在制造和编程方式上有了重大飞跃。

当今，人工智能技术在医疗领域的应用日益广泛，其中医疗数据集起到了至关重要的作用。本文将介绍 20 个经典的医疗开源数据集，涵盖了各个部位、CT\MRI\内窥镜等多种模态数据，以帮助研究者们更好地探索和研发医疗AI大模型。

从今年四月份开始，随着MiniGPT-4, LLaVA, InstructBLIP等多模态大模型项目的开源，大模型的火从NLP领域烧到了计算机视觉及多模态领域。

为提升语料数据供给水平，推动大模型产业高质量发展加速应用创新与行业落地，9月8日，由中国大模型语料数据联盟（以下简称“语料数据联盟”）主办的数说新语·开放日首场活动在上海人工智能实验室举行。

国产大模型时代，高质量、开源、可信数据的重要性不言而喻，但它的稀缺性也是 AI 同行有目共睹的。为了改变这一现状，OpenDataLab 联合大模型语料数据联盟构建了“书生·万卷”数据集，旨在为学术界及产业界提供更符合主流中文价值对齐的高质量大模型多模态预训练语料。...

9月，OpenDataLab 全新版本上线，支持用户自主发布原创数据集，同时升级了 CLI/SDK 工具、数据集详情页，让 AI 数据集开源更方便、展示更清晰。还有创作领好礼活动，快来看看吧！

OpenDataLab两位工程师在浦数 AI Talk做了非常实用的LAION-5B下载经验分享，我们整理了其演讲内容、Parquet文件、图片下载工具，希望能对大家下载同类数据集提供帮助和参考。以下为全文内容：

自 2012 年以来，深度学习技术变革引起的人工智能热潮，这股势头已经持续十年。在去年底 ChatGPT 的出现，大模型的超能力完全展现在大众的视线中，将人工智能行业又推向了一个全新的发展阶段，许多研究者更是惊呼“ChatGPT 爆火后，NLP 技术不存在了” [1]。因为过去的...

“浦数 AI Talk”系列直播活动，由OpenDataLab 浦数 | 人工智能开放数据平台发起，联合各大开源社区，围绕热门 AI 应用场景，选取最受大家关注、最接“地气”的主题，定向邀请垂直领域的 AI 研究员、工程师，为大家带来最前沿的干货分享。