MAP-CC / CT-LLM
M-A-P 开源的清洗中文网页语料，配套中文优先的 2B 模型
- 成立
- 2024-04
- 数据类型
- 中文网页文本
- 规模口径
- MAP-CC 约 800B token；CT-LLM 训练集共 1200B token（中文 800B、英文 300B、代码 100B）
- License
- CC-BY-NC-ND-4.0（HF 数据卡标注，非商用）
- 链接
- arxiv.org；huggingface.co
内容与规模
MAP-CC 由 M-A-P 社区（含多所高校与机构）构建，约 800B token 的中文网页语料，并开源清洗流程。CT-LLM 是用它训练的 2B 模型，训练集共 1200B token，中文占三分之二 [1]。
license
数据卡标注为 CC-BY-NC-ND-4.0，即非商用、禁止演绎 [2]，与同类中文语料相比限制更严，商业使用需要先确认。
局限
体量小于头部模型使用的自有中文语料；模型尺寸仅 2B，结论难外推到前沿规模。
来源
相关卡片
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。