AI语料库概念股龙头股&AI语料库板块成分股

2026年4月14日公司投资者关系活动记录表披露，公司拥有垂直领域的专业私域数据，即高质量的校对语料。公司从事出版数十年，积累了丰富的语料，并与出版同行合作采集更多语料，进行清洗、标注与训练，形成核心护城河。通过业务模式从SaaS向RaaS转变，公司能够沉淀更多语料以持续喂养模型。

2025年12月3日公司在互动平台披露，在语料库领域，公司可提供具身智能语料库工具链产品，该产品可提供数据挖掘、自动标注、模型训练等服务，提升语料数据闭环效率。

公司受邀出席2024年中国首场语料主题论坛，联合发布“智慧医疗语料数据集”产品；公司共建项目“高质量多模态医疗AI训练数据标注设施建设”入选2025年国家数据局发布的《数据标注优秀案例集》，成为全国47个优秀案例之一。此外，公司还参与多个数据要素相关标准编制，充分体现出公司在大数据方面的领先创新实力。

2025年11月17日公司在互动平台披露：公司全资子公司瞬捷数科的造纸行业AI语料库入选山东省重点行业语料库揭榜挂帅项目。该语料库计划整合造纸全产业链的多元数据，经专业处理后可支撑行业大模型的开发、训练与微调，适配自然语言处理等AIGC相关的AI任务。同时，公司通过研发的瞬捷云链造纸产业大模型，依托上述语料库支撑起造纸“产业大脑”、数字孪生工厂等项目，可以实现生产、质检等全链条的数智化协同。

2024年12月10日公司在互动平台披露：公司旗下丽水云数据中心已升级为算力（智算）中心，并以此为依托展开了与各大人工智能产品厂商及技术研究机构的合作。在Ai语料方面，公司已完成了数据处理平台向模型训练数据准备（构造、标注、增强）平台的技术升级，并参与了相关行业标准的技术要求制定工作。

2024年10月30日公司在互动平台披露：新开普在人工智能领域积极探索，并逐步建立了自己的AI语料库，用于支持智能服务和产品的研发。公司语料库的构建结合了多个渠道的数据，包括获取版权和许可的私有数据和公开数据源，并针对收集到的数据做了严格的清洗和预处理，公司对语料库的维护，采用分层存储和分布式管理的方法，使用大数据处理技术实现数据的高效管理和快速检索，同时建立了完善的版本控制机制和数据更新流程。通过这些措施，新开普的AI语料库能支持多种应用场景，如智能推荐、语义理解、自动问答等，提高产品和服务的智能化水平。

2024年9月27日公司投资者关系活动记录表披露：在算法模型领域，经过十余年服务超大型客户及公共服务领域的沉淀形成了行业知识库、算法模型库与大量专业数据分析报告等，为公司AI模型的训练提供了丰富的训练语料库，形成了面向领域场景的多个大模型生成技术，慧辰大模型内容生成算法、语音合成算法及数字人算法已经通过国家网信办互联网信息服务算法备案。具体在服务商业消费与营销类场景的产品，包括“慧AI”、“AIGC+洞察创新”、“AIGC+数字营销”、“AIGC+客户体验”、“AI数字分身”等，可全面赋能客户的商业运营。

公司依靠360浏览器、360搜索等高频流量入口，形成了10TB+优质文本数据及海量图文视频数据，内容覆盖全球多个语种、涉猎金融、法律、房产、体育、医药等全行业范围，形式包括文档、书籍、散文、诗歌等，为大模型训练提供了大规模、多样性、高质量的训练语料。通过海量探针和云端处理，公司积累超过3EB安全大数据资源，遥遥领先于国内同行业公司。其中包含泛终端安全数据、全球互联网基础信息、网络资产测绘信息等。在多年全网视野的一线攻防下，360形成了全球领先的安全样本库、基因库、知识库，样本文件总数超320亿。

2024年4月26日公司在互动平台披露：公司有自己的AI语料库，用于AIGC大模型的训练语料主要基于公司旗下上海二三四五网络科技有限公司拥有的数据及通过互联网获取的公开信息，经过大量数据清洗、整理工作而产生。

2024年4月29日公司在互动平台披露：新华网正积极布局人工智能大模型及其深度应用，拥有丰富权威的新闻和传媒数据作为专属大模型语料库建设基础，我司AIGC-Safe平台亦在通过采集大量国内外生成式视频内容训练AI鉴别模型。语料库建设会随着新华网在人工智能大模型领域应用场景的开发有序推进。

公司从最初的消费内容业务向智能营销等方向延展，可以借助更广泛的业务触达消费者、电商平台和品牌商，并依托所沉淀的消费数据对消费产业形成更深层次的理解。目前，随着公司逐步沉淀来自于消费内容业务板块和智能营销业务板块等的更多数据资源，已形成一个能够涵盖人、货、场等多种维度的底层数据体系。截至2025年末，公司商品数据库已经收录了35.7万+品牌、2604.9万+聚合商品。这些数据一方面提升了“什么值得买”平台结构化展示商品信息的能力，提升了“什么值得买”平台搜索与推荐内容分发的效率，提升了其他消费内容业务和智能营销业务的运营效率；另一方面对公司训练“值得买消费大模型”，以及基于AI技术为品牌提供围绕营销全链路的数据洞察和营销解决方案也发挥重要作用。

中广天择搭建的“节目购”“淘剧淘”两大视频版权在线交易平台，为全国600余家电视台提供优质视频版权。近年抢抓文科融合新机遇，建设运营“中国V链”平台，为各大版权方提供全生命周期的版权服务，可提供网剧备案、剧片交易、剧本超市、版权保护等一站式全链条综合服务；同时聚焦以音视频为主的高质量多模态算法训练语料，以40万小时4K超高清视频和200万小时高保真音频，构建起高质量垂类算料库，与国内多家顶尖大模型公司实现了合作，多项数据集产品填补国内空白。

2024年4月17日公司在互动平台披露：公司与多家AIGC公司就慈文传媒20多年来积累的丰富的视频语料数据库正在磋商相关合作，双方就对应的价格、合作的模式、授权的界定范围等均正在进行洽谈。

2024年5月22日公司在互动平台披露：公司基于新媒体营销业务长期积累的爆品文案，可以作为AIGC模型训练的语料。

旗下朗知传媒聚焦“全链路+数智化”技术赋能，以前沿科技驱动内容生产与精准营销，持续打造智慧营销新范式。江西朗知中文于2025年9月正式发布“版慎通”智能审校系统，入选中国新闻出版研究院“出版业新一代信息技术创新应用案例”，该系统已在国家档案局等100余家企事业单位推广应用，审校效率与准确率显著提升。《江右文库》编纂出版及数字化工程项目推出第三批成果和《江右文库》数据库移动端应用，并入选2025古籍数字化与活化利用典型案例。

数通业务持续聚焦四大核心业务领域，巩固媒体业务在运营商市场的领先地位，构建覆盖家庭、企业、边缘接入等多元场景的全系列、高性能接入产品体系，丰富智能家居、智能控制、环境感知等AIoT产品矩阵，重点拓展智慧家居和跟踪定位等应用场景端到端系统解决方案，逐步实现从产品供应商向智慧物联整体解决方案提供商的转型升级。

在医疗领域，历经十余年深耕，公司已累积超1,260万例DNA倍体宫颈筛查标本、40多万例其他组织DNA倍体标本及100万张典型病例数字病理切片，成为国内最大的病理数据库之一。这些数据不仅能为AI辅助诊断产品的开发提供海量训练基础，还能支撑公司利用数据推动病理科从传统模式向智能化、标准化转型；同时，智慧光学可协同开发硬件设备与AI软件，优化远程数字病理会诊系统的服务效率，未来进一步构建覆盖远程诊断、质控、教育培训的全链条智慧病理服务体系。

2024年4月24日公司在互动平台披露，公司用于模型的训练和微调的高质量语料属于文本语料。

2024年11月25日公司在互动平台披露，公司基于大模型打造面向短剧的创新生产引擎——山海短剧智能制作平台，正在进行AI语料收集和训练。2024年3月27日公司在互动平台披露，公司丰富的版权内容数据资产为“芒果大模型”（行业垂类大模型）的研发提供了高质量的训练语料。公司非常重视这些数据的价值开发，并将分类整理的数据用于“芒果大模型”的训练。

StarMaker作为海外知名音乐社交娱乐社区，涵盖在线K歌、语音房、音乐创作、直播互动及休闲游戏等多元娱乐场景。2025年，StarMaker持续深化AI技术应用，先后上线AI歌曲创作与AI视频创作功能，大幅降低用户创作门槛，提升用户体验；同时，依托生成式AI推出数字人直播解决方案，通过真人级智能互动，进一步丰富音乐社交场景。在产品运营方面，StarMaker通过赛事IP实现用户规模扩张与品牌影响力提升。

2023年6月27日公司在互动平台披露：数据是人工智能技术长期发展的关键要素之一，公司掌握的OCR技术及应用在2007年即获得国家科学技术进步二等奖；依托海量高质量语料资源和丰富的文本数据处理经验，公司正在自研基础大模型，针对不同的行业领域进行需求挖掘，在数字人文、教育、档案、司法、医疗、安防等垂直行业重点布局，研发多个行业分支模型，以更好地满足市场和客户的需求。

公司拥有庞大的版权节目资源，与800多家内容供应商合作，拥有百万小时的数字化节目内容媒体资源库，包括电影、电视剧、综合资讯节目、娱乐综艺、原创动漫和音乐节目等，同时着眼优质内容聚合、垂直领域细分与本地内容运营。丰富的媒体资源储备为与运营商和终端厂商的长期合作奠定了基础，为用户提供多样化的收视内容。公司持续深耕专网业务，成功新签、续签8个百万级影视内容基础包。互联网公网业务企稳回升，与海信、优酷等核心播控平台续签合作，新增与影牛牛、斑马开展播控合作，拓展与创维等10余家渠道合作以及与TCL等固定推荐位资源合作。聚焦优质内容引进，独家和首发引进主赛道内容293部，引进内容累计近45000小时。

在AI大模型领域，公司积极与国内外主流大模型厂商建立生态与技术协作关系，凭借在行业场景化落地的突出表现，荣获百度智能云“大模型最具成长伙伴奖”。依托原有“人工智能计算平台”技术基座，公司持续为行业客户提供涵盖数据标注、模型开发、训练、部署及推理服务的一站式解决方案。2023年7月28日公司在互动易平台披露：公司为部分客户提供AI大模型训练相关的语料、数据标注、数据训练等服务。

依托自建大数据中心积累的超6,000亿条全域数据（覆盖196国、130余语种，日均更新6亿+、API调用20万+）。2025年，公司自主研发的高质量数据集构建平台，形成覆盖“原始数据—净化—切片—知识库封装”的全链条工程能力，构筑了难以复制的数据护城河。公司推动数据工程从“存数据”升级为“存知识”，构建“物理数据+业务语义”双层知识体系，并引入智能化治理机制，让数据底座进化为驱动智能体自主运行的“活资产”。经标准化清洗与Token化处理，公司构建了超200万亿Token的高质量语料池（有效Token率≥92%）、3亿对多模态对齐数据集及超1000万条RLHF偏好数据；同时积累百亿级结构化知识图谱，实现从“资源性数据”到“经营性知识资产”的质变。

面对数字经济和人工智能的迅猛发展，公司聚合算力、数据、算法、场景等核心资源，明确“算力基础、数据供给、算法牵引、场景落地”为发展路径。公司已构建一个适当规模的算力资源池，通过公司自主研发的混合云计算管理平台，集私有云、公有云及容器云为一体，无缝集中管理跨多个数据中心的云计算资源。公司已研发形成支撑从数据采集、存储、分析、可视化展示、移动应用的数据中台技术架构体系，加速构建高质量的航运大数据集作为关键生产要素，以融合的多源数据为驱动，以机器学习、强化学习、深度学习等算法为工具，深度挖掘数据中的隐藏模式和规律，船视宝平台已经研发了超200种核心算法，能够自动识别和预测船舶的各种行为。

依托实验室，公司持续建设主流价值语料库，不断夯实高质量语料供给能力。持续推进问答语料、基础语料等多模态语料建设，增强主流价值语料的系统性、全面性、权威性，形成“建设-应用-迭代”的闭环链路。推动语料建设从资源积累走向协同共创，发起“主流价值语料生态联盟”，上线“媒体语料服务平台”；共建AI交互语料创新实验室，发布首批“具身交互语料数据集”；联合推出“科技领域高质量数据集”，推动可信语料体系化。

2026年上半年公司加速数据要素开发应用，面向城市运营管理等部门推出城市商圈实时客流及商圈画像数据产品，面向连锁零售业务推出城市及业态客流趋势监测数据产品。

公司基于30年所积累的专业化、系统化的教育内容，具备大模型训练三个必备要素之一的“语料”资源，由于该“语料”资源已经实现出版流程，其差错率达到万分之一以下，结合原有渠道优势可以在教育场景中开发基于大模型的垂直领域AI+教育应用。

公司始终坚持“先授权、后传播”的基本原则，通过技术保护、行政监管、司法维权及社会协作等多重手段，构建了立体化的IP保护网络，有效保障了创作者权益。在生成式大模型时代，这种合规意识转化为独特的数据优势，公司沉淀的多达600TB高质量多模态数据资产，已成为赋能大模型研发的核心稀缺资源。目前，公司通过专业的标注团队与审核机制，不仅确保了自有AI应用的迭代质量，也为行业提供了标准化的数据服务。这种在合规前提下的数据积累，已成为公司在AI时代独特的护城河。

在数据要素领域，公司高度重视和深度布局数据要素领域，依托公司积累的20余万小时高质量影视版权素材，构建从数据采集、清洗标注、向量化加工、多模态理解到场景化应用的全链条数据资产体系，打造AI时代文化数字内容核心竞争力；未来，公司将持续加大数据要素投入，完善版权确权、数据标注、资产运营、价值变现闭环，拓展数据服务、模型训练、媒资管理等创新业务，推动影视版权资源从内容存货向高价值数据资产转化。

公司数据加工平台围绕AI提效，持续推进大宗商品高质量语料集建设，着力夯实核心资产、厚植数据底座。2026年上半年，数据库新增数据源28个，新增指标20万余条，新增数据量306.42GB；同步推进航运物流、碳排放、电力等专题数据库扩容，完善事件图谱、企业图谱、政策图谱、产业链生产图谱、本体图谱等多元图谱体系，构建图谱实体65万余个、关系160万余条。

平台拥有可供版权授权的内容超过5.4亿，包括摄影、矢量图、视频、音乐、3D模型等各种类型的素材，是全球优质的同类视觉内容数字版权交易平台之一。平台聚合的海量、高质量、版权合规的内容数据，也是构建可信人工智能模型的关键基石，公司以应用为导向，持续加强人工智能高质量数据集建设，平台拥有可供AI大模型训练的合规内容数据超过7亿，位居行业领先地位。平台在人工智能产业链中凭借自身数据资源与场景应用优势，构建了覆盖数据采集、标注、审核、认证及授权的全链路AI大模型数据服务解决方案，已成为国内领先的多模态数据授权商。

2024年3月27日公司在互动平台披露：公司智能知识运营服务已在全国60多个地市部署，为公司训练大模型积累了大量的语料。2025年7月28日公司在互动平台披露：公司深耕政务民生服务领域，自主研发的“知纬解语”大模型已通过国家网信部门备案，并积累100多个城市的服务语料。

2025年，公司版权业务实现从"内容存货"向"数据资产"的战略跃迁。依托超5万小时正版影视版权库和约2万TB高清原始素材，以及自2023年起逐步建设的AI 3D数字资产库，公司初步构筑起AI时代的数据竞争力。这些拥有完全自主知识产权的全流程数据，涵盖剧本、人物设定、镜头语言等核心要素，不仅是华策自研模型的高价值训练语料，更为探索基于高价值AI语料库的内容授权新模式打下坚实的基础。公司运营商业务实现稳健增长，视频彩铃等融媒体业务成为集团稳定现金流来源，并为IP宣传发行提供下沉渠道。

2023年4月27日公司投资者关系活动记录表披露：首先，IP对于数字阅读垂直领域的模型非常有价值，我们也在把优秀的IP语料灌输到模型当中，来提升模型的AIGC智能化程度。其次，在IP衍生方面，AI可以帮助提升降低IP衍生成本，提升制作效率，从而提升IP衍生价值。在数字阅读垂直领域的模型当中，数据是非常有价值的，我们有近300TB的数据集，在业内处于领先地位。我们希望自身优质的语料数据能够用来训练我们自己在数字阅读垂直领域的模型，打造自身的竞争优势。

数智信息领域，打造系列标准化或类标准化产品，华知大模型6.0 焕新升级，推出AI Pat+、CNKI AI 等数智产品。推进“1+2+X”数智信息产业发展格局落地；打造融入生产系统的知识增强垂直大模型，千亿级 L1 核行业大模型正式发布，助力中核集团推进核行业大模型示范落地，树立典型示范案例；深入参与数据要素领域，进一步拓展数据治理与运营业务。昆仑灵境Agent智能体完成研发，创新大小模型融合应用方式，进一步提升智能化赋能水平。

在医疗健康大数据方面，中科数媒研发打造的“远至”深度整合了中科数媒权威医学资源，保障了输出内容的专业性与准确性。目前，围绕“远至”形成系列专业产品与应用，如中西医就医康养助手、慢病管理助手及医学AI培训课程平台、AI数字教材等，已在智慧医疗、健康管理、医学教育等多个场景实现落地应用，切实推动专业知识普惠与医疗健康服务提质增效。

2024年3月21日公司在互动平台上披露：截至目前，公司累积的处方单数据已高达数十亿条，增长速度在10%左右。这些数据主要源自国内各大医院药房部门的处方药发药记录。全国百强医院中超过半数都是公司的合作伙伴，共同构建了强大的合作网络，确保了数据的专业性和参考价值。同时，公司拥有成熟的数据脱敏技术，能够在保护用户隐私的同时，确保脱敏后的数据可用于支持国内大型模型的训练工作。

标准化数据集产品，是公司区别于众多竞争对手以定制化服务为主的特有商业模式，也是公司核心竞争力之一。截止2025年6月末，公司新增研发超70个训练数据集产品，自有知识产权的训练数据产品储备达到1,790个，尤其在多语种语音对话、多语种OCR、多音色多情感数据集等方面积累了更丰富的标准化产品资源，并建成包括“双工数据集”、“视觉大模型（图像-文本）预训练及微调数据集”等在内的多领域大模型数据集。公司已向下游客户提供了累计超过10,000次/个定制或标准化训练数据集，并已应用于个人助手、语音输入、内容生成、智能家居、机器人、语音导航、智能客服、智能播报、语音翻译、移动社交、虚拟人、智能驾驶、智慧医疗、智慧教育、智慧交通、智慧城市、智慧金融、机器翻译、智能问答、信息提取、情感分析、OCR识别等22类创新应用领域，赋能人工智能技术与实体经济的深度融合。