中文互联网基础语料4.0等三类高质量数据集发布：120GB语料为国产大模型提供可信数据底座

在中央网信办指导下，中国网络空间安全协会会同国家互联网应急中心等单位，在前期发布中文互联网基础语料1.0、2.0和3.0的基础上，依托网安协会人工智能安全治理专委会建立的语料共建共享机制，汇聚新的高质量可信数据，经过严格的数据加工处理，形成并发布中文互联网基础语料4.0，数据量120GB，为大模型训练和人工智能发展提供可信数据支撑。

为促进大模型网络安全能力提升，国家互联网应急中心联合中关村实验室、中国科学技术大学、中国科学院计算机网络信息中心、绿盟科技及北京长亭科技，发布网络安全数据集1.0，包含网络安全能力测评基准集、APT攻防数据集、网络安全告警数据集、异常流量数据集、漏洞分析数据集等5个子数据集。为支持大模型生成内容检测与溯源研究，国家互联网应急中心联合中国科学院信息工程研究所发布AIGC检测数据集，包含10万条文本数据和10万条图片数据。

三类数据集均上线“中文互联网语料资源平台”。平台采取注册认证后下载的方式，并提供下载审计能力，增强了数据来源的可追溯性。这与《生成式人工智能服务管理暂行办法》等法规对训练数据来源合法性、内容合规性的要求形成配套，把“数据来源可信”从合规义务变成了可获取的基础设施。

从产业视角看，语料4.0的意义在于把数据供给从“各家自行扫网抓取”转向“国家级可信语料池按需获取”。使用国家级语料可显著降低模型备案时解释训练数据来源的成本，也降低了因境外语料引入不可控内容而触发内容审核与安全评估风险的概率。截至2026年8月，全国已建成高质量数据集超12.6万个、总体量超1815PB，数据集的工程化治理与合规交付正在形成独立产业链。