預期目標：到2025年，智能算力集群節(jié)點擴展規(guī)模不低于1024卡，與國內外主流人工智能軟硬件環(huán)境完成兼容適配；總體算力規(guī)模超過500 PFLOPS，PUE不超過1.25。開發(fā)支持低響應時延、動態(tài)擴展等特性的集群云端運維管理和調度系統，針對基于Transformer的重點模型具備分鐘級斷點續(xù)訓能力。

（三）高質量數據集

揭榜任務：建設大規(guī)模通用中文語料庫，加強主流中英文數據的清洗及過濾，構建標準化語料資源池，整合文字、圖片、音視頻等多模態(tài)數據集，并實現對外開放。打造高質量代碼、書籍、人類反饋指令數據、科學文獻等專業(yè)知識數據集。面向工業(yè)、醫(yī)藥、電信、金融、教育等重點行業(yè)匯聚高質量、權威的行業(yè)訓練數據資源，賦能行業(yè)發(fā)展。

預期目標：到2025年，實現通用文本數據集規(guī)?？偭窟_到10TB、通用圖文數據集數據總量達到1億對、通用音視頻數據集數據總量達到100TB。面向編程代碼、科研文獻、百科教材等專業(yè)知識，以及工業(yè)、醫(yī)藥、電信、金融、教育等重點行業(yè)，形成不少于3個高質量數據集，各數據集賦能10個及以上專用模型訓練或微調。

（四）人工智能風險管控軟件

揭榜任務：針對人工智能訓練數據投毒、算法模型漏洞、敏感有害生成內容等重點風險，研發(fā)多維度一體化的人工智能風險管控軟件產品。構建人工智能安全風險測評數據集，提出相應安全風險的檢測、防御方法，支持人工智能應用服務、中間件與基礎依賴組件等對象的漏洞檢測與及時預警，識別生成內容潛在偏見歧視、倫理、違規(guī)違法等風險。

預期目標：到2025年，構建3個人工智能安全風險測評數據集，覆蓋偏見歧視、違規(guī)違法、惡意指令注入、倫理等多維度安全風險，提出不少于10種面向人工智能數據安全風險的檢測、防御方法，組織不少于5個典型智能產品開展試點驗證工作。

二、重點產品

（五）語言大模型產品

揭榜任務：探索以知識為中心的大模型范式，通過上下文編碼、動態(tài)記憶機制等核心技術，提升語言認知大模型的智慧涌現水平。對標國際先進產品，提升中英雙語的語義理解、邏輯推理、代碼編程等能力，實現在線知識咨詢功能，能夠實時融合基于互聯網的海量信息。開展大模型推理加速算法研究，提升語言大模型賦能智能產品的部署效率。

預期目標：到2025年，語言大模型在中英文均達到世界先進水平，提升大模型泛化能力，零樣本或少樣本學習在超過30個基準中達到優(yōu)異性能。中英雙語認知能力全面提升，在模型常識性、專業(yè)性、邏輯性、推理能力方面取得重大突破。語言大模型在數字座艙、機器人或語音助手等領域實現應用。

（六）語音大模型產品

揭榜任務：研究具有高通用性和高解釋性的通用語音表征理論和方法，突破語音數據依賴性強、領域適應性弱等難題，實現超大規(guī)模語音表征訓練、語音表征信息解耦合建模等關鍵技術，支撐語音大模型的泛化性。構建面向多個語種、多個語音任務共享的語音大模型，賦能語音助手、虛擬客服、數字人等智能產品的智能化升級。

預期目標：到2025年，語音大模型達到世界先進水平，覆蓋語種超20個，其中漢語、英語、法語等5個以上重點語種的處理效果業(yè)界領先，可支撐語音識別、語音合成、聲紋識別、情感識別等10個以上語音任務，性能較傳統模型實現顯著提升。

（七）視覺大模型產品

揭榜任務：研究視覺大模型統一算法底層架構，創(chuàng)新視覺大模型訓練路徑，構建支持動態(tài)視覺理解和生成統一的底層基礎模型架構，突破靜態(tài)向動態(tài)視覺大模型的范式升級。視覺大模型能夠通過少樣本微調解決圖像、視頻等視覺任務，生成式任務指標達到國際先進水平，解決視覺大模型的高效設計、有效訓練、快速推理等關鍵技術問題。

預期目標：到2025年，訓練超過千億級參數規(guī)模的通用視覺大模型，能夠通過少樣本微調方式解決超過30個視覺基礎任務（包括10個以上動態(tài)視覺或三維視覺任務）并且表現出色，推理速度達到全球領先，具備在智能終端產品的部署能力。

（八）多模態(tài)大模型產品