EssentialAI 医疗分类法与DCLM数据集
包含2050亿医疗文本标记的高质量数据集，通过分类法过滤和DCLM筛选，用于医疗语言模型预训练和指令微调。
基本信息
模态
文本
创建/更新时间
2025-06-22
资源简介
本数据集是一个高质量医疗数据集，由EssentialAI从网络数据中整理，包含2050亿个医疗文本标记。通过基于分类法的过滤方法，筛选出具有推理性和技术正确性的科学医疗内容，并利用DCLM分类器选取指令密集型文档。该数据集在多个医疗评估基准上表现优异，可用于医疗领域的语言模型预训练或指令微调。
下载信息
注册下载
Tips: 该数据集需要在对应的数据源网站注册通过后，才能进行数据下载，注册有对应要求，或者需要收费。
暂未开放公开下载
Tips: 该数据集属于公开下载，应该可以免费公开下载。
免登录有偿下载
Tips: 该数据集 Qianfanghub 可以协助提供有偿下载服务，注意，服务不针对数据相关产权，只是技术服务费。
提供高速下载与技术交付服务（收技术服务费，非数据销售）
暂未开放千方医数集，医疗数据集部分，是为社区服务的公开医疗数据集搜索引擎，并不存储或者下载原始的任何数据。 如果您有其他医疗数据需求，可以和客服联系，或者下工单。我们有强大的三甲医疗机构帮助您提供个性化的医疗数据定制、采集、标注服务。
使用方式
数据集获取与加载（Hugging Face datasets）
# 前置依赖: pip install datasets
from datasets import load_dataset
ds = load_dataset("EssentialAI/eai-taxonomy-med-w-dclm")
print(ds) # 查看 splits 与字段结构
# 国内网络可先设镜像: import os; os.environ["HF_ENDPOINT"]="https://hf-mirror.com"
git lfs install && git clone https://hf-mirror.com/datasets/EssentialAI/eai-taxonomy-med-w-dclm
完整数据卡：huggingface.co/datasets/EssentialAI/eai-taxonomy-med-w-dclm
精度瓶颈？数据缺失？
当前公开数据无法满足您的算法精度？千方提供针对 其他 的高质量、多模态真实临床数据定制解决方案。
