超10万亿Tokens的高质量数据集是如何炼成的？

“得数据者得天下”，中国电信天翼AI正是凭借高质量数据集在AI领域崭露头角。其打造的星辰MaaS平台，拥有超10万亿tokens的通用大模型语料和覆盖14个行业的专业数据集，总存储量高达350TB。这些数据不仅规模庞大，还经过精心标注和优化，可直接用于行业应用。

高质量数据集是AI模型性能的核心驱动力。中国电信天翼AI依托星辰MaaS平台，通过“数据—模型—服务”闭环构建能力体系。其中，“基模”提供基础认知与推理能力，“数据工具链”输送高质量资源，“模型工具链”将数据转化为可用模型，“智能体”则灵活调度资源完成复杂任务。

为实现这一目标，天翼AI开发了覆盖“采、存、算、管—标、训、推、评—用”全生命周期的能力体系。例如，数据合成技术能生成极端场景数据，提升模型鲁棒性；AI预标注技术使标注效率提升5倍以上。此外，数据回流机制让模型不断优化，形成自闭环流水线。

高质量数据集的标准因场景而异。例如，在工业纺织缺陷检测中，天翼AI构建了包含20多种瑕疵类型的数据集，综合检出率超90%，帮助企业降本增效。类似案例还出现在医疗、物流、文旅等领域，如智慧导览服务、供应链智能化升级等。

作为AI国家队，天翼AI不仅服务于大型央企，还在国计民生领域广泛落地。例如，为雄安新区打造的“雄小农”应用帮助农民增收15%；与深圳市政数局合作构建的12345民生诉求数据集，支撑25个智能应用场景。

展望未来，天翼AI致力于成为国家战略科技力量和领先的通用人工智能服务提供商。其愿景包括：技术领先，探索前沿领域；应用普惠，让AI走进千家万户；生态开放，推动产业健康发展；人才研用一体，培养高层次AI队伍。最终目标是赋能产业升级，维护社会公平与安全，让数字经济红利全民共享。