仅用合成文本训练的模型，会逐渐偏离人们真实的表达方式。我们在多语种范围内采集、清洗、结构化并记录对话数据，全流程具备授权与可追溯性。
交付内容
真实的人类对话
覆盖商业与客服场景的自然对话，而非模板文本。
多语种覆盖
英语、法语、西班牙语、德语、葡萄牙语、荷兰语、中文与日语，均由母语者复核。
清洗与结构化
去重、归一、标注，并以 JSONL 或 Parquet 交付，附带完整schema说明。
授权与可追溯
来源可查、个人信息已移除，并提供明确的使用许可。
面向训练流水线
每个数据集都附带数据说明卡：来源、语言、规模、清洗规则、已知限制与评测划分。
01
需求定义
与您的团队确定语言、领域、格式、规模与质量标准。
02
采集与清洗
在获得授权的前提下采集数据，去除个人信息并进行归一化。
03
交付与迭代
先交付样本供验证，再提供完整数据集与文档。
工作方式
常见问题
如何处理个人数据？
交付前移除或假名化标识信息，所有来源均在授权下采集并记录出处。
交付什么格式？
默认 JSONL 与 Parquet，可按需提供 CSV，并附数据说明卡。
可以定制特定领域的数据集吗？
可以。大多数项目都是定制的：您给出语言、领域与规模，我们先做试点批次再扩量。
感兴趣吗？
需要训练数据吗？
告诉我们所需语言、领域与规模，我们会回复样本与报价方案。