Data / AI for Science / 实体卡片

PubMed / PMC

数据集美国数据库

NLM 的生物医学文献索引与全文库，约 4,100 万条

数据类型
文献题录与摘要；开放获取全文；MeSH 标注
规模口径
PubMed 约 4,128 万条记录；PMC 全文约 1,270 万篇，其中开放获取约 831 万篇（E-utilities 实测，2026-10-15）；2025 年发表日期记录约 188 万条
License
题录公开；全文按各文章许可，仅部分可再分发
链接
pubmed.ncbi.nlm.nih.gov；pmc.ncbi.nlm.nih.gov

内容与规模

PubMed 是生物医学文献的权威索引，PMC 提供全文存档。E-utilities 实测：PubMed 约 4,128 万条记录，PMC 约 1,270 万篇全文，开放获取约 831 万篇 [1]。

格式与 license

提供网站、E-utilities 与年度 baseline XML 整库下载。摘要版权归出版商，NLM 允许下载元数据；PMC 开放获取子集中，只有带可再分发许可（如 CC 系）的文章才能用于批量再利用，需分子集核对 ⚠️。

哪些模型拿它训练或评测

PubMed 摘要与 PMC 开放获取全文是生物医学语言模型的主要语料，如 BioGPT 使用 PubMed 摘要（本次未逐一核实各模型语料规模）；也是文献问答与 agent 评测的数据来源。

已知偏差

偏向英语与发表成功的正结果，负结果稀缺（见 阴性数据）；年份越近的论文越可能在模型评测集内，造成污染，见 数据泄漏（训练-测试泄漏）；摘要缺少方法细节，全文仅部分可用。

来源

  1. https://eutils.ncbi.nlm.nih.gov/entrez/eutils/esearch.fcgi (2026-10-15)

相关卡片

NCBI / NLM公司与机构 · 美国
美国国家生物技术信息中心，GenBank、PubChem、GEO/SRA 的运营方
OpenAlex数据集 · 美国
取代 Microsoft Academic Graph 的开放学术元数据图谱
bioRxiv数据集 · 美国
生命科学预印本服务器，AI4S 新方法首发地

卡片整理 2026-10-15。公司自报数据标“公司口径”；⚠️ 为未经独立核实。