政府将把通过“自主人工智能(AI)基础模型项目”获得的约3544万条AI训练用数据免费向民间开放。此举意在让国内企业和研究人员能够利用参与国家队AI模型开发的企业的数据构建经验,从而降低AI开发的进入门槛。
科技信通部与NIA于27日表示,将把参与自主AI基础模型项目第一轮阶段评估的NAVER Cloud Corp.、Upstage、SK电讯(017670)、NC AI、LG AI研究院等当时5支精锐团队构建的29种数据在AI Hub上公开。NAVER Cloud Corp.和NC AI虽在此后的阶段评估中被淘汰,但仍属于以政府预算获取数据的强制开放对象。
此次公开的数据约3544万条、11.3太字节(TB),换算成训练单位相当于约1.56万亿个token的规模。理论上足以训练参数规模700亿~800亿个的大型AI模型。这些数据由NAVER Cloud Corp.、Upstage、SK电讯、NC AI、LG AI研究院利用政府2025年投入的150亿韩元数据构建·加工预算,按各自的模型开发战略准备而成。
NAVER Cloud Corp.构建了公开·广播影像及分场景字幕、语音问答数据,可用于影像理解和图像生成模型开发等。Upstage公开1万亿token规模的预训练数据,以及用于提升推理·判断·执行能力的AI智能体后训练数据。
SK电讯提供数学·科学·法律领域的高难度推理资料,以及反映韩国社会普遍价值观的红队测试数据。NC AI推出利用制造技术文档和民情咨询资料等构建的长上下文理解、多轮对话、多模态数据。LG AI研究院公开在韩国实际家庭中拍摄50多种家务活动制作的人形机器人训练用数据。
此次企业公开数据是依据自主AI基础模型项目的参与条件。精锐团队须将以政府数据构建·加工预算获得的资料中50%以上向外部公开。NAVER Cloud Corp.、Upstage、SK电讯、NC AI决定将通过质量验证等的数据全部开放。LG AI研究院为满足50%以上的强制比例,按数据类别以一定间隔进行统计抽取后公开。筛选过程经过韩国信息通信技术协会(TTA)的验证。
政府计划不把此次项目积累的AI开发资产仅留给特定企业,而是向国内生态扩散。其意在让难以自行获取和清洗高质量训练数据的初创企业、高校及研究人员也能利用国家队AI开发所用资料进行模型开发和性能改进。据此,公开范围也从以文本为中心的预训练资料扩大到影像·语音·图像等多模态、AI智能体、安全性、物理AI领域。
国内企业、研究人员、学生等任何人都可在AI Hub的“自主AI模型数据”栏目免费检索、下载并使用此次公开的数据。不过,部分需要个人信息保护或安全管理的资料须在网站另行申请后,通过应用了安全措施的在线开发空间“安心区”使用。科技信通部表示,第二轮阶段评估过程中新构建的数据也将在经过质量验证后追加公开。






