5月29日，面壁智能携手清华大学及OpenBMB开源社区，正式宣布开源两大重磅数据集——Ultra-FineWeb-L3与UltraData-SFT-2605。这并非一次常规更新：Ultra-FineWeb-L3整合了高质量的中英文网页合成数据，总数据量突破600B Tokens，其中中文数据高达200B+ Tokens，成为目前开源社区规模最大的中文预训练合成数据集。与此同时，UltraData-SFT-2605作为国内首个千万级开源SFT数据集，同时包含了深思考与非思考两种标注类型，填补了该领域的空白。

如果您了解过MiniCPM5-1B的训练过程，会发现它正是UltraData分级治理体系的一次完整实践落地。此次发布的两大数据集，已经在MiniCPM5-1B的训练流程中经过充分验证，覆盖了从预训练退火到后训练SFT的全链路。换句话说，这并非纸上谈兵的理论成果，而是经过实际运行验证的成熟方案，全程跑通，效果可靠。