El Laboratorio de IA de Shanghai y la Alianza de Datos de Corpus han lanzado conjuntamente el conjunto de datos de entrenamiento de pre-entrenamiento multi-modal 'Shusheng · Wànjuǎn' 1.0 de código abierto, que incluye conjuntos de datos de texto, texto e imagen, y vídeo, con un tamaño total superior a 2 TB. Este corpus ha sido sometido a una limpieza y eliminación de duplicados de grano fino, y se caracteriza por su fusión multifacética, su procesamiento preciso y su alta eficiencia y facilidad de uso. La publicación de este corpus de código abierto ayudará a promover la aplicación e innovación de los grandes modelos, reduciendo el umbral de la tecnología de los grandes modelos.