别处没有的 token
公开网络的语料已被反复抓取。对大模型而言，真正增量的价值在于从未被数字化的文本——我们库存中很大一部分正是纸质图书，未收录于任何数字语料，更不用说 Common Crawl、archive.org、Google Books 或 LibGen。对任何模型都是全新增量，且可逐一核验。
数据溯源与授权 →工作流程
-
采购
我们批量采购实体图书。
-
采集
逐页与封面拍摄。
-
OCR 识别
提取文本，支持任意语言与文字系统。
-
结构化与评分
解析章节与脚注，逐页质量评分。
-
交付
以单本数据包形式交付。
交付内容
每本书都是一个独立的数据包——端到端可解析，各书格式统一。
-
book.json元数据与解析后的结构：章、节、插图、脚注。 -
pages.jsonl逐页文本，并附质量评分。 - 封面图像 封面、封底、书脊，以及（如有）勒口。
我们的 OCR 与结构化流程支持任意语言与文字系统——不限于英文。
book.json
{
"ean": "9782253096337",
"title": "Les Misérables",
"author": "Victor Hugo",
"language": "fr",
"pages": 1488,
"structure": { "volumes": 5, "chapters": 365, "footnotes": 211 },
"quality": { "mean_page_score": 0.98, "flagged": 3 }
}
pages.jsonl
{"page": 31, "kind": "body", "text": "En 1815, M. Myriel était évêque de Digne…", "score": 0.99}
{"page": 32, "kind": "body", "text": "Quoique ce détail ne touche au fond…", "score": 0.98}重叠核对
在确定合作前，先核验全新增量
请告知样本规模，我们将从库存中发送一份 EAN 清单。您在己方与自己的语料比对重叠——其中尚未收录的部分，正是我们可交付的内容。您的任何数据都不会离开您一侧。
- 您告知样本规模
- 我们发送库存中的 EAN 清单
- 您在本地与自己的语料去重