中文互联网基础语料 4.0 发布：120GB 中文训练数据正式开放

9 月 15 日，中文互联网基础语料 4.0 正式发布，数据规模达到 120GB，并在中文互联网语料资源平台上线，面向完成注册、认证等流程的用户提供下载或获取渠道。

这不是一个面向普通用户的聊天机器人，也不是又一套大模型权重，而是一批服务于模型训练的数据基础设施。对于正在训练中文大模型、构建行业模型或评估数据质量的团队来说，4.0 的价值不在于“120GB”这个单独的数字，而在于它是否能提供来源更可信、过滤更严格、分布更稳定的中文文本。

本次发布的背景，是中文大模型开发正在从“有没有数据”转向“数据能不能放心用”。高质量中文语料仍然稀缺，公开网页数据虽然规模庞大，但其中混杂着广告、重复内容、低质采集页、违法不良信息、机器生成文本和版权边界不清晰的内容。模型训练如果直接吞下这些数据，最终可能表现为事实错误增多、语言风格变差、知识重复甚至安全风险上升。

120GB 语料正式上线，重点不是简单扩容

中文互联网基础语料是面向中文大模型预训练的数据资源集合，主要通过汇聚、筛选、清洗和加工互联网中文内容，为模型训练提供基础文本数据。

据中国网络空间安全协会披露，中文互联网基础语料 4.0 于 2026 年 9 月 15 日下午，在济南举行的 2026 年国家网络安全宣传周人工智能安全治理分论坛上正式发布。该项目由中国网络空间安全协会联合国家互联网应急中心，并会同百度、中科闻歌、开普云、拓尔思、科大讯飞、知乎等单位共同推进。

从公开信息看，4.0 延续了此前版本的共建共享路线，并依托网安协会人工智能安全治理专委会建立的语料共建共享机制，汇聚新的高质量可信数据，再经过多轮数据加工处理后向社会发布。

这里有一个容易被忽略的细节：官方目前披露的核心规模仍是 120GB，而不是简单宣布数据量翻倍。中文互联网基础语料 2.0、3.0 的公开资料中也曾出现 120GB 这一规模，因此 4.0 的主要看点未必是原始容量增加，而更可能是信源范围、数据清洗、内容安全和数据结构方面的持续改进。仅凭“120GB”这一数字，不能直接推导出它包含多少条数据、多少 token，或者训练后能带来多少准确率提升。

这也是评估语料库时应当保持的基本判断：容量是容易宣传的指标，数据有效性才是决定模型效果的指标。100GB 高重复、低信息密度的网页内容，未必比 10GB 经过严格去重和质量筛选的数据更有价值。

从 1.0 到 4.0，官方项目在补中文数据底座

中文互联网基础语料 1.0、2.0、3.0 和 4.0 构成了一个持续迭代的系列项目。它们的共同目标，是为中文大模型训练和人工智能发展提供相对可信、可持续的数据来源。

中文大模型过去很长时间依赖通用网页抓取、百科内容、新闻网站、问答社区和企业自有数据。这样的方式上手快，但会遇到四类问题：

1. 数据质量不稳定。 同一篇内容可能被多个网站重复转载，采集结果中还会混入导航、评论、广告和模板文本。
2. 中文内容分布不均。 高质量技术资料、专业知识和长篇内容的占比有限，简单新闻和短文本容易在训练集里过度集中。
3. 安全过滤成本较高。 违法不良信息、极端内容、个人隐私和恶意文本如果没有被提前处理，会给模型带来额外风险。
4. 数据来源难以解释。 训练团队不仅要关心数据能否下载，还要关心数据从哪里来、经过哪些处理，以及是否适合用于预训练、微调或评测。

此前公开资料显示，中文互联网基础语料 3.0 曾扩大优质中文网站信源范围，并加强违法不良信息过滤。4.0 在此基础上继续推进共建共享，说明项目的重点已经从一次性发布数据，转向建立长期的中文语料生产机制。

这种机制对行业的意义，比单个版本的数字更重要。大模型公司可以自己抓取数据，但很难独立覆盖足够广泛的中文网站，也很难持续投入人力处理去重、质量分级和安全审核。由多个机构共同参与，可以在数据覆盖面和治理能力之间取得更好的平衡。

对大模型开发者来说，4.0 能解决什么问题

中文互联网基础语料 4.0 最直接的用途，是为中文大模型预训练提供补充数据，但它不能替代完整的数据工程流程。

第一，降低中文预训练数据的获取门槛

对高校实验室、中小模型团队和个人研究者来说，获取合规、规模化中文训练数据往往比搭建训练框架更困难。公开语料平台至少提供了一个可验证的起点，让开发者不用从零开始抓取整个中文互联网。

不过，开放获取不等于拿来即用。开发团队仍然需要根据自身模型目标，检查数据格式、字段说明、文本长度分布、来源结构和授权条件。如果数据平台提供版本说明、质量标签或处理记录，使用价值会明显高于只有一个压缩包的“裸数据”。

第二，为中文能力优化提供更稳定的基础样本

中文模型的表达质量，和训练数据里的语言分布密切相关。新闻、百科、论坛、问答、技术文档和文学内容在表达方式上差异很大。如果训练数据长期偏向短新闻或低质转载，模型可能看起来“会说中文”，但在长文本理解、专业解释和复杂指令执行上表现不稳定。

多来源中文语料的价值，在于让模型接触更丰富的句式、知识组织方式和专业表达。它不能保证模型自动变强，却能为后续的数据配比和训练策略提供更大的选择空间。

第三，减少基础安全风险进入训练集

数据清洗是大模型训练中的基础安全环节。模型并不会自动区分有价值的争议性内容、错误信息、恶意指令和明显违规文本；如果这些内容大规模进入训练集，后续再靠对齐训练完全修正，成本通常更高。

官方介绍强调，中文互联网基础语料 4.0 经过一系列严格细致的数据加工处理。现阶段公开资料没有披露完整的过滤规则、数据比例、去重算法或人工审核规模，因此不能把“经过处理”直接等同于“完全干净”。但将内容安全和数据可信度纳入基础语料建设，本身已经成为中文模型产业不可回避的方向。

120GB 到底够不够用？要看你拿它做什么

120GB 对于大模型预训练来说不算一个可以脱离上下文判断的数字。硬盘容量、解压后的文本大小、有效字符数和最终 token 数并不是一回事。不同编码、字段和压缩方式，也会让同一批数据出现不同的文件体积。

如果目标是训练一个面向特定行业的小型语言模型，120GB 可以提供相当可观的通用中文基础数据；如果目标是训练拥有数百亿参数甚至更大规模的通用模型，单靠这批语料显然不够，还需要英文、多语种、代码、数学、专业书籍、合成数据以及高质量指令数据等多种来源。

更现实的用法，是把 4.0 作为数据池的一部分，而不是整个训练集。开发者可以按照以下方式使用：

• 通用预训练： 将其与企业自有文档、公开高质量数据和其他语言数据混合，进行数据配比实验。
• 中文能力增强： 从中筛选长文本、专业文本和高质量知识内容，用于补充中文表达与知识覆盖。
• 领域模型训练： 先做领域相关性筛选，再与行业数据结合，避免通用网页内容稀释模型的专业能力。
• 数据治理研究： 用于测试去重、质量评分、敏感信息识别和数据分布分析流程。
• 模型评测准备： 从训练语料中抽取独立样本并进行隔离，避免评测集与训练数据重叠导致结果失真。

其中最后一点尤其重要。开发团队不能把同一批数据同时用于训练和评测，否则模型在测试集上的高分可能只是记忆了内容，而不是学会了泛化能力。

与其他中文语料项目相比，4.0 的位置在哪里

中文语料库并不是一个单一赛道，不同项目在数据来源、语言覆盖、开放方式和使用目标上各有侧重。中文互联网基础语料 4.0 更接近面向产业和社会协作的中文互联网基础数据项目，而不是只服务于某个模型团队的内部数据集。

| 语料项目或类型 | 主要定位 | 语言范围 | 公开信息中的特点 | 更适合的场景 | |---|---|---|---|---| | 中文互联网基础语料 4.0 | 中文互联网基础训练语料 | 以中文为主 | 120GB，强调可信数据与共建共享 | 中文预训练、数据治理、行业模型基础数据 | | 中文互联网基础语料 3.0 | 中文互联网基础训练语料 | 以中文为主 | 120GB，扩大优质网站信源并加强内容过滤 | 中文模型预训练与研究 | | 智源 CCI 4.0 | 开源中文及多语种语料 | 中文、英文等 | 强调多样性与高质量，并逐步扩展语言版本 | 多语种训练、语料研究、模型实验 | | 企业自建语料 | 面向具体业务的数据集合 | 由业务决定 | 领域相关性强，但规模和治理能力差异较大 | 行业模型、知识增强、内部应用 |

这张表只能用于理解项目定位，不能直接作为模型效果排名。语料库之间的性能差异，必须通过统一的采样、训练和评测实验验证。没有公开的基准实验，就不能声称 4.0 一定比其他数据集训练出的模型更强。

从开发实践看，最合理的策略通常不是二选一，而是组合使用：通用语料负责覆盖面，领域语料负责相关性，高质量人工数据负责指令遵循，合成数据负责补齐稀缺任务。一个成熟的数据配方，往往比单独追求某个语料库的规模更重要。

开发者下载前，建议先确认这五件事

第一，确认数据的获取条件和使用范围。参考信息显示，用户需要登录中国网络空间安全协会官网，进入中文互联网语料资源平台，并经过注册、认证等流程后下载或联系获取相关数据。实际开放方式、申请材料和处理时间，应以平台页面最新说明为准。

第二，确认数据格式和字段结构。训练团队需要知道文本是否已经完成分片，是否包含来源、时间、类别、质量标签或去重标识。没有这些元数据，后续筛选和问题定位会更困难。

第三，确认数据处理边界。开发者应了解平台是否进行了网页模板清理、重复内容过滤、敏感信息处理、低质量文本识别和机器生成内容筛选。公开介绍没有披露全部算法细节时，不要擅自假设每一项处理都已经完成。

第四，确认数据和评测集之间是否存在重叠。对于需要发布论文、报告或模型卡的团队，训练数据来源和去重流程应当留下记录，避免模型评测结果受到数据泄漏影响。

第五，确认模型训练后的责任边界。基础语料经过筛选，并不意味着使用它训练出的模型天然安全、准确或适合直接部署。开发团队仍然需要进行隐私检查、事实性评估、偏见测试、越狱测试和人工抽检。

这次发布真正值得关注的地方

中文互联网基础语料 4.0 的真正价值，是把中文大模型竞争继续向数据治理和基础设施层推进。

过去行业更容易关注参数规模、训练算力和榜单成绩，但模型能力的上限同样受数据质量约束。模型可以用更大的参数记住更多内容，却无法靠参数规模自动修复训练数据中的重复、污染和偏差。数据来源是否稳定、处理流程是否可追溯、开放方式是否清晰，正在成为模型开发者必须面对的工程问题。

当然，4.0 目前公开信息仍然有限。除了 120GB 规模和参与单位外，外界还需要更多可验证信息，包括数据条目数量、有效 token 数、来源类别占比、去重比例、质量分布、更新时间范围、授权说明以及基准训练结果。只有这些细节逐步公开，开发者才能判断它究竟适合哪类模型、能在训练配方中占多大比例。

因此，对这次发布最准确的评价不是“120GB 中文数据足以改变大模型行业”，而是：国内面向社会协作的中文基础语料建设又向前推进了一步。它为开发者提供了新的数据入口，也把中文语料的质量、合规和可追溯问题再次摆到台面上。

对于正在做中文模型的团队，建议把 4.0 当作一个值得测试的数据源，而不是未经验证的最终答案。先完成小规模抽样、质量评估和重复率检测，再决定是否纳入正式训练流程，这比看到 120GB 就直接投入训练更稳妥。

参考来源

1. IT之家：中文互联网基础语料 4.0 发布，数据量 120GB：介绍 4.0 的发布时间、发布场合、参与单位、数据规模及获取方式。
2. IT之家：中文互联网基础语料 3.0 发布相关报道：补充 3.0 的公开背景、数据规模和数据处理方向。

本文根据 2026 年 9 月 15 日公开资料整理。数据平台的申请条件、文件格式和具体使用规则，请以官方页面最新信息为准。