国内缺乏高质量数据集的主要原因

国内缺乏G质量数据集主要有以下几方面的原因：

1）G质量数据集需要巨大资金投入，当前国内数据挖掘和数据治理的力度不足；

一个好的数据集应该从D层设计、标注规范、标注质量把控以及发布后更新升J各个方面严格把关，这个过程是需 要经费、人力等综合因素的投入，一般是长期投入的企业或者自然基金项目才有动力开展这样的工作

2）国内相关公司不具有开源意识，数据无法在市场上自由流通；

互联网公司拥有服务自身应用的数据集因竞争原因不愿公开，工业界里一些公司因保密原因不愿公开数据，传统金 融L域公司重视合规保护；同时开源政策及社区不活跃，开源支持不到位，后期服务跟不上

3）国内相关公司成立较晚，数据积累相对国外公司更少；

国内互联网公司成立普遍晚于国外（亚马逊 1994 年，阿里巴巴 1999 年成立；谷歌 1998 年，百度 2000 年成立）， 早年互联网公司以模仿国外的业务为主，在数据上的沉淀和积累较少，特别是特有中文数据

4）学术L域中文数据集受重视程度低；

使用中文数据集的论文往往不好发表，而G质量、受认可的中文会议期刊的数量不够多。从而使得学术界在发展中文数据集上的动力不足

5）国产数据集市场影响力及普及度较低等。

目前国内大部分数据集产品仅限于企业内部使用，未经过市场检验，导致数据库创新能力不足。使得企业开发数据 集的意愿较低，同时大模型训练普遍产学结合，学术界对中文数据集的忽视也会影响到业界