【概念细分】AI语料新增语料加工服务、垂直行业语料、版权内容语料细分方向。
语料加工服务：指公司面向人工智能（885728）模型研发提供数据采集、清洗、脱敏、分类、标注、对齐、质检、合成及数据集交付等服务，将原始数据加工为可直接用于模型训练和评测的标准化语料。
成分股如下：
| 股票名称 | 关联理由 |
|---|---|
| 国安股份（000839）(000839) | 根据2025年半年报：数据标注业务是企业释放数据要素（886041）价值、驱动AI模型迭代的关键基础设施。依托垂直领域经验与弹性化服务网络，鸿联九五构建了覆盖图像语义分割、文本情感标注、语音特征提取、视频行为识别等场景的多模态标注能力，并通过“人工+AI”协同标注与三级质检机制保障数据交付质量，为客户搭建起“人机协同”的智能数据生产线。针对垂直行业特性，公司提供从数据清洗、场景化标注到模型训练反馈的闭环服务，助力客户降低成本，提升AI模型迭代效率。报告期内，鸿联九五落地多个细分领域典型案例，如自动驾驶、医疗、电商、新闻等领域大模型标注，与多家头部科技企业建立深度合作，参与大语言模型、多模态模型的训练数据处理，服务能力通过了规模化场景的严苛检验。 |
| 视觉中国（000681）(000681) | 根据2026年3月31日公告：报告期内，为提升数据服务的交付能力，公司启动了对海量存量数据资产的再加工与结构化升级工程，通过AI预标注与人工精校相结合的多轮迭代方式，对数亿级的视觉数据进行深度语义标注与多维度属性标定，旨在将非结构化的数据转化为可供AI模型高效学习、利用的结构化数据资产。 |
| 东方国信（300166）(300166) | 根据2024年12月31日互动易：在工业数据语料库领域，公司专注于为客户打造一站式解决方案，既提供专业的工具产品，又落实配套的服务实施，全力协助客户开展工业数据集构建工作。公司推出的产品与服务覆盖多个关键环节，包括数据治理咨询服务、数据集建设咨询服务、工业多源数据采集与整合服务、数据清洗与预处理服务、多模数据标注服务，以及数据资产管理服务。工业数据语料库数据所有权归属客户，不涉及公司数据资产入表。 |
| 拓尔思（300229）(300229) | 根据2024年4月12日互动易：公司拥有合规且安全的中文、图文、视频等多模态语料库，内容涵盖资讯、政务、金融、舆情、专利等，可用于行业大模型预训练，帮助提高行业大模型的准确性、鲁棒性，减少偏见和歧视，增强价值观对齐。目前，公司已为小米、云之声、云天励飞（688343）、蚂蚁集团、上海人工智能（885728）实验室等头部大模型厂商提供了预训练数据集服务。 |
| 博彦科技（002649）(002649) | 根据2023年7月28日互动易，公司凭借多年的数字化技术积累和经验，依托自身研发创新能力，构建了从数据采集、数据清洗、数据存储、数据处理、数据安全（885942）、数据分析到数据应用的全生命周期（883436）的数据智能系列解决方案，为众多金融机构等行业客户奠定了坚实的数据基础，释放了数据要素（886041）的价值。同时，公司也为部分客户提供AI大模型训练相关的语料、数据标注、数据训练等服务。 |
垂直行业语料：指公司依托金融、医疗、工业、交通、能源（850101）、政务、教育、消费（883434）等垂直行业长期积累的专业数据，建设面向行业大模型训练、微调或知识增强的高质量语料库、训练数据集或专业知识库。
成分股如下：
| 股票名称 | 关联理由 |
|---|---|
| 同花顺（300033）(300033) | 根据2023年年报，公司自研的问财 HithinkGPT 大模型是公司从训练语料、训练框架到模型结构的设计，均从零开始、创新构建，预训练金融语料达到万亿级 tokens，涵盖了股票、债券、期货、外汇、商品价格、宏观经济指标、行业数据等多个方面的数据。问财 HithinkGPT 大模型具有全面的实时金融数据、 强大的语义理解、专业的投顾建议、生动的表达形式、可控的内容生成等特点，经过前期多轮测试与优化，该模型在金融场景中表现出色，能够高分通过多个金融领域的专业考试。 |
| 科大讯飞（002230）(002230) | 2023年7月5日互动易回复：在认知智能方面开拓了丰富的应用场景，例如教育行业的因材施教和个性化学习、医疗行业的人工智能（885728）辅诊、智慧城市的便民便企服务等等。在保障数据安全（885942）、用户隐私等符合国家法律法规和政策的前提下，公司在不同行业多年的规模化应用积累了超过50TB的行业语料，讯飞开放平台依托400万开发者，形成了每天超10亿人次用户交互数据。 |
| 东方国信（300166）(300166) | 根据2024年3月19日互动易，公司深耕电信、金融、工业、政府等领域20余年，在各行业有丰富的大数据经验，跟行业客户深度绑定，对业务理解较深，在不同细分领域诸多业务场景落地实践中沉淀了大量行业特有的业务经验和规则，具备非常强的行业Know-How，帮助各行各业上千家企业建设、运营和维护大量的PB级大数据平台，积累了大量的领域专业语料，善于根据行业或者客户业务定制专属大模型，在垂直领域具有良好的大模型应用效果。 |
| 值得买（300785）(300785) | 根据2024年3月8日投资者关系活动记录表，公司基于通用模型，利用自身有特色的数据资源和语料库，自研了值得买（300785）消费（883434）大模型；基于值得买（300785）消费（883434）大模型，公司在“什么值得买（300785）”App上，上线了一系列的具体应用，包括“AI评论机器人”、“AI购买建议”等，提升了内容的丰富度和多样性，进而提升了用户的活跃度。 |
| 佳都科技（600728）(600728) | 根据2023年10月16日公告，目前，公司在交通行业已具备1,000亿Tokens的行业语料，指令数据与人类监督学习集超过200万条，并且正以每日新增约150GB的量级持续增长。 |
版权内容语料：指公司依托图书、文学、新闻、影视、图片、音频、视频等自有或合法授权的版权内容，经过数字化、清洗、标注、结构化等处理，形成可用于人工智能（885728）模型预训练、微调或多模态训练的语料资源。
成分股如下：
| 股票名称 | 关联理由 |
|---|---|
| 中文在线（300364）(300364) | 根据2023年7月13日互动易，公司在开源 AI 模型技术基础上利用公司在文学领域的语料数据，部署在自有服务器上进行AI大模型研发和训练，AI 多模态模型通过输入文字态的文学作品，可由AI模型转换成漫画形态，实现了IP的跨模态，加速了IP衍生品的变现，打开“IP+AI”的生产力空间。 |
| 视觉中国（000681）(000681) | 2023年6月2日互动易：公司拥有数以亿计的专业级且获版权许可的优质图片、视频音乐素材，是市场上少有的高质量素材的图像库之一，有助于确保模型生成内容安全合规，可用于商业用途的内容，不将风险转嫁给客户。同时，专业细分领域，仅靠单一基础大模型，很难实现非常完美的解决方案，它可能需要多个模型（封闭或者开源的模型）共同来支持，需要外部专业的数据、API等能力的补充，因此高价值、特定领域的工作流程依赖于丰富的、专有的数据集，且这些工作流程将由专业AI模型完成。公司将充分发挥海量、高质量、版权合规的数据集价值，与算力、算法战略合作伙伴一起合作打造专有的垂类AIGC视觉图像模型，共同探索全新的商业模式。 |
| 掌阅科技（603533）(603533) | 2023年4月25日公司投资者关系活动记录表：IP对于数字阅读垂直领域的模型非常有价值，公司也在把优秀的IP语料灌输到模型当中，来提升模型的AIGC智能化程度。 |
| 华策影视（300133）(300133) | 根据2024年3月22日投资者关系活动记录表，公司的视频语料分两种，包括文字语料，如小说、剧本等；视频语料，如影视作品、视频拍摄素材等。目前公司语料主要用于训练自用垂直模型，暂未与通用大模型公司开展商业性质的合作。 |
| 捷成股份（300182）(300182) | 2024年3月27日互动易回复：公司多年来积累了海量的影视剧、动画片、纪录片、综艺等高质量视频数据，并已经对部分内容进行了标注，可用于大模型的训练。目前，公司相关数据除用于训练自己研发的垂直模型外，已与部分其他大模型厂商洽谈合作事宜。 |
点击进入AI语料（886074）查看更多细分。
注：PC 端 / 电脑端用户：打开同花顺（300033）客户端 → 点击顶部【板块】 → 进入【概念指数】板块 → 选择【细分分类】，即可查看全部分类详情。
