AI2は最近、3兆トークンを含むオープンソースデータセットDolmaを発表しました。Dolmaのデータは、2024年初頭にリリース予定のAI2が開発中のオープン言語モデルOLMoの基盤となります。Dolmaのデータセットは、ウェブコンテンツ、学術出版物、コード、書籍など幅広いソースから収集されており、現在公開されている同種のデータセットの中で最大規模です。

アレン人工知能研究所は、AI言語モデルの透明性とイノベーションを促進することを目的とした、オープンなテキストデータセットDolmaを発表しました。AI2のオープン言語モデル計画の中核となるDolmaは、研究者や開発者に無料のデータリソースを提供します。Dolmaデータセットは30億トークンの規模を誇り、中リスク成果のImpACTライセンスを採用しており、ユーザーは連絡先情報と使用状況を提供することが推奨されています。