十五五文化热词解析：大模型如何更懂“中国话”
本报记者 王云杉
“过马路时，你要注意看车!”
“我计划明天去车展看车。”
这两句话里的“看车”是一个意思吗？相信不少人要会心一笑，表面上看是同一个词组，但其含义因语境不同发生了变化。
这就是中文里常见的“一词多义”现象。人工智能大模型是一种与人类语言密切相关的技术，要让大模型深刻理解这一现象，离不开中文数据的持续供给。
目前，国内多数模型训练使用的数据，中文数据占比已经超过60%，有的模型达到80%。大模型训练中，中文数据占比提升有何意义？中文高质量数据为何持续增加？如何进一步增加中文数据的开发与供给？记者进行了采访。
数据就像大模型的“知识教材”
不同语言的数据对大模型性能有怎样的影响？“数据就像大模型的‘知识教材’，教材的语言属性不同，会对模型的知识体系产生不同影响。”清华大学计算社会科学与国家治理实验室执行主任、教授孟庆国表示。
从知识来源看，过去我国大模型常面临“数据依赖”风险——英文数据在全球互联网的占比较高，如前沿科技论文、行业标准、文化典籍等多以英文呈现，全球高质量标注数据也多以英文为主。
“语言类大模型一般需要遵循一定的语言习惯。”工业和信息化部信息通信经济专家委员会委员盘和林认为，中文数据占比提高，既方便了用户理解其输出结果，又可以保障和提升我国在大模型上的研发能力。
“若中文数据占比低，模型在关键技术迭代中易受‘数据授权限制’‘更新延迟’等影响。”孟庆国说，中文数据占比提高，助力我国在“数据安全”“技术自主”上迈出关键步伐，有利于我国掌握大模型发展主动权。
“中文数据中独有的文化习惯、隐喻表达、政策术语等在英文数据中难以得到体现。模型长期学习英文数据，所形成的‘英文式认知逻辑’，在理解中文特有的思维方式时容易出现偏差。”科大讯飞消费者AI交互业务部总经理赵艳军介绍，中文数据比重的提升，增强了大模型对中华文化及中国场景的理解能力。比如中医问诊时，“上火”“湿气”等概念需要中文语境才能准确推理。
从知识传承看，中文数据承载着我国数千年的文化积累，中文数据占比提高，能让大模型推动中华文化的数字化传播。“中文数据占比高的模型能讲解‘文言文虚词用法’‘诗词平仄规律’等。比如，在解释‘之乎者也’时，结合《论语》《孟子》等中文典籍案例，让传统文化教育更生动。”孟庆国说。
中文高质量数据供给能力不断增强
中文普通数据和中文高质量数据有何区别？普通数据多为未经审核的网络文本、非专业内容，易出现事实错误或概念混淆。而高质量数据需经过“事实核查、专业审核”，语义准确且来源可追溯。
要理解中文高质量数据的重要性，可从医疗诊断这一专业场景讲起。今年8月，中文临床医学知识图谱“磐医知识图谱”在浙江台州发布。“当前，一些大模型学习的医学知识，来源于互联网公开数据，而这些公开数据，有的不严谨、有的存在矛盾、有的更新滞后，这些情况都会对大模型生成的结果产生负面影响。”浙江省全省医疗智能决策重点实验室主任林辉表示，“磐医知识图谱”中的数据均由医学专家审核，每个知识点都有明确来源，且动态更新医学进展。
大模型性能的提升，体现了中文高质量数据的价值。得益于一系列因素的合力助推，中文高质量数据的供给能力不断增强——
政策有支持。从《“数据要素×”三年行动计划(2024—2026年)》提出“打造高质量人工智能大模型训练数据集”，到国家数据局布局建设数据标注基地，政策利好下，大量中文高质量数据集加速建设。
技术有突破。中文数据因“歧义多、语境依赖强”，早期标注成本是英文数据的1.8—2.5倍，随着技术不断进步，开发难度也在降低。例如，国内某“中文语义标注系统”已可自动区分“打毛衣”“打电话”中“打”的含义，让标注效率提升了3倍，且成本有效降低。
行业有共识。国内垂直场景对“中文适配”大模型的需求不断升温，推动中文数据从“辅助补充”变为“核心资源”，更多企业参与到中文数据的开发之中。如中国移动已建成覆盖超30个行业、超3500TB(太字节)的通用高质量数据集。
协同建标准，细分多场景
Token(通常所说的“词元”)是处理文本的最小数据单元。数据显示，2024年初，我国日均Token的消耗量为1000亿，截至今年9月底，我国日均Token消耗量已突破40万亿。这些数字背后，是中文数据资源的快速积累和价值释放。
如何进一步增强中文数据的开发和供给？专家学者带来了思考和建议。
首先是建标准。现有的中文数据中，重复的内容多、质量高的少，尤其是在医疗、工业等垂直领域，高质量数据更是稀缺。比如医疗数据，有的医院记录病历只写“发烧”，有的会写“发烧38.5摄氏度、伴咳嗽2天”，若无标准的“尺子”判断数据质量，进一步的开发难以推进。
“明确了不同领域的中文标注标准后，才更有利于建设和完善评价、激励机制。”孟庆国认为，应加快研究制定中文数据分级标准，从而释放中文数据的供给活力。
其次是强技术。高质量数据集的建设过程中仍不可避免会遇到大量数据孤岛和合规难题，比如，不同机构的数据因为隐私安全等合规要求，难以跨域流通，导致各机构重复开展数据标注，既浪费资源，又无法形成规模效应。
“可推广应用新一代标注技术，在原始数据不出域且保证隐私安全的条件下，完成跨机构协同标注，从而整合多机构力量，避免重复劳动。”赵艳军说。
此外要补场景。我国产业体系完备，其广度和深度决定了需要更多细分场景的中文数据。“比如，在元宇宙等新兴场景中，中文数据使用量仅为英文的1/5；又如，中医、非遗等传统场景数字化程度低，大量宝贵信息尚未转化为可用数据资源。”孟庆国表示，可推动政产学研用协同，专项采集各种垂直场景中文数据，激活产业应用。
推进文化和科技融合
“十五五”规划建议提出，“推进文化和科技融合”。探索文化和科技融合的有效机制，需要用互联网思维和信息技术改进文化创作生产流程，推动文化建设数智化赋能、信息化转型。
“文化IP+科技体验”，重塑文旅产业生态。通过线上数字平台与线下沉浸场景的结合，多地打造数字文旅空间、开发“旅游+智能体”新应用等，实现文化和科技双向赋能。“文化创作+人工智能”，拓展产业融合场景。当前，以大模型为代表的AI技术，与影视、文博等领域深度融合，催生出AI短剧、博物馆数字文创等新产品，不仅丰富了文化表达方式，也培育出更多文化消费新场景。“特色文化+数字技术”，助力乡村全面振兴。通过数字技术，将地标农产品、乡村非遗技艺融入微短剧等内容创作，能够进一步提升特色文化产品的创意能力和表现力，为乡村全面振兴注入新动能。
——北京大学文化产业研究院学术委员会主任 陈少峰
《 人民日报 》( 2025年12月25日 07 版)
相关攻略
智谱推出GLM-5 1高速版API，输出速度达每秒400个token，刷新全球大模型速度纪录。该模型在保持旗舰性能的同时，通过系统级深度优化实现了极低延迟，适用于对实时性要求高的AI编程、语音交互等场景，目前已面向部分企业客户开放。
豆包大模型部署需优化配置：批量处理应确保batch_size≥4，采用预填充与解码分离模式。移动端需手动指定量化位数，避免长上下文在轻量版运行。迁移模型须用专用工具重训路由参数，专家数量不宜过多。量化应精细化，仅针对部分计算密集模块，并禁用框架自动转换，以平衡效率与精度。
在评估大模型API的调用成本时，“一百万Token”是一个核心的计价基准。这串数字究竟意味着多少实际文本？又会带来多少费用？对于希望将AI能力集成到业务中的开发者和企业决策者而言，透彻理解这笔账，是进行技术选型、制定预算和实现商业价值最大化的第一步。 图源：AI生成示意图 一、Token与文本量的实
生成式AI正以前所未有的速度重塑商业格局。Gartner的预测为我们描绘了清晰的未来图景：到2026年，超过80%的企业将在生产环境中部署或调用大语言模型。然而，当我们将目光从实验室的炫酷演示转向真实的业务场景时，会发现一条充满挑战的“最后一公里”。许多企业的首席信息官（CIO）都在反馈同一个核心问
在调用大语言模型API时，账单上那个按“Token”计费的标准，常常让人有些摸不着头脑。这背后其实是一套将人类语言转化为机器可量化计算单元的精密商业逻辑。理解它，是合理控制算力成本的第一步。 图源：AI生成示意图 一、Token 的基础概念与字数换算 大模型并非直接“阅读”文字，而是先将句子切分成最
热门专题
热门推荐
现货持有者坚守仓位，比特币接近115,000水平 近期比特币（BTC）价格接近$115,000水平，市场整体情绪谨慎，但现货持有者依旧坚守仓位，显示出一定的多头信心。 市场现状与资金流动 那么，当前市场的资金究竟在如何流动？分析显示，一个有趣的现象正在上演：短线资金的流入其实相当有限，市场热度并未急
目录 要点介绍：分析师称XRP呈现“最强看涨结构”高位清算集中于2 90美元以上区域 周四，XRP价格稳稳站在了2 80美元上方。这个位置守住了，意味着什么？意味着市场向那个经典的“杯柄形态”目标价——6美元以上——又迈进了一步。 要点介绍： 先看几个核心数据：周四XRP报收2 82美元。技术分析显
近期，以太坊（ETH）衍生品市场经历了短暂的闪崩，但随后价格快速企稳，交易者开始关注关键突破点——$4,500水平。 ETH衍生品市场现状 市场情绪往往在剧烈波动后显露真容。从最新的链上数据和期权、永续合约的交易情况来看，那场短暂的闪崩更像是一次压力测试——结果是，市场波动率显著下降，多空力量似乎进
DOGE单日暴涨11%，交易量激增四倍，市场风向变了？ 最近，加密货币市场又热闹起来了。DOGE（狗狗币）上演了一出“旱地拔葱”，价格单日暴涨11%，更关键的是，成交量直接翻了四倍。这种“价量齐升”的场面，无疑给整个迷因币板块打了一针强心剂，市场情绪肉眼可见地回暖了。 DOGE价格拉升原因分析 那么
如何安全获取欧易（OKX）官方APP？一份详尽的下载与使用指南 Binance币安 欧易OKX ️ Huobi火币️ 当人们谈论“欧易易欧”时，指的往往是那个全球顶尖的数字资产交易平台——欧易（OKX）。作为业务版图庞大的行业巨头，其官方APP无疑是用户进行交易、查看行情和管理资产的核心工具。不过，