大模型语料体系、训练技术与中外能力差距深度研究报告

一、报告概述

本报告基于当前大模型领域的公开技术文献、行业研报与头部厂商（OpenAI、Anthropic、DeepSeek、阿里等）的公开实践，系统梳理八大核心议题：大模型训练的底层 Scaling Law 逻辑、人类语料的历史结构与质量权重（含古籍蓝海）、AI 数据污染与模型坍塌风险、头部厂商技术路线差异（MoE 与稠密架构取舍）、数据成本结构、模型蒸馏的真实定位与天花板、中外大模型核心差距与国产差异化超车。

二、核心底层逻辑：大模型能力的决定性因素

大模型最终能力由两大核心维度共同决定，遵循行业公认的缩放定律（Scaling Law），在预训练阶段边界清晰：

维度	核心作用	关键实证	边界约束
预训练语料（数量+质量+稀缺性）	决定模型能力理论上限	DeepMind Chinchilla 计算最优定律（2022, arXiv:2203.15556）：最优模型应满足 D约等于20N（每1个参数配20个训练token）；Gopher 280B参数仅喂300B token（D/N约1），性能不及同算力下70B参数喂1.4T token	数据不足时，盲目堆参数只会浪费算力
训练与对齐算法、架构创新	决定模型现有数据利用率	Llama系列实证：同70B参数下，训练数据从2T增至15T tokens（Llama 2到Llama 3），MMLU从68.9%升至82.0%	算法无法突破数据本身的知识边界
测试时计算（o1/R1类推理扩展）	后训练阶段打开新增量	DeepSeek-R1 纯RL+GRPO达到o1级推理能力	基座能力天花板仍由预训练语料决定

简言之：预训练阶段，数据定上限，算法挖潜力，二者缺一不可；测试时计算（o1/R1类推理扩展）为后训练阶段打开新增量，但基座能力天花板仍由预训练语料决定。

三、人类历史语料结构、体量与能力权重配比

3.1 语料体量占比

目前行业暂无绝对精准的全域量化统计，所有语料体量配比均为学术机构（Epoch AI、谷歌图书等）基于公开存量的合理估算区间，无绝对精确定值，本报告去除虚构精准百分比，采用严谨客观表述：

语料类别	体量估算	核心特征	质量评级
2000年前人类印刷语料（古籍、绝版图书、近代专著、学术典籍）	极小（全球独有书籍总存量约数十T token级，其中2000年前古籍仅占极小份额）	高质量、低噪声、长逻辑文本核心载体	高价值稀缺
2000-2020年人类印刷新书（现代专著、教材、科技文献等）	远超2000年前古籍，是印刷语料绝对主体	无AI污染原生文本，但全部印刷语料总存量（估约20T token级）仍远低于互联网文本体量	高价值
2000-2020年互联网人类原生语料（论坛、博客、百科、技术社区）	约3100T token（Epoch AI估算），单Common Crawl开源快照即达130T token，是全部印刷书总量的6倍以上	覆盖日常常识、通用知识、多元观点，但噪声、碎片化、冗余问题突出	基础数据

3.2 语料能力权重占比（模型实际能力贡献）

大模型能力贡献遵循「质量权重远大于体量权重」的核心规律，不存在行业统一精准量化比例，此前固定百分比为不实杜撰，现基于公开实验证据给出客观技术逻辑：

语料类型	能力贡献	关键实验证据	定位
千年印刷/古籍类高质量长文本	承载完整逻辑链条、严谨论证体系、考据型事实知识与规范写作范式，单位价值极高	微软Phi系列仅用约20B token教科书级数据即达到万亿级网页数据训练模型的推理水平；Meta LIMA实验证明千条精选数据的对齐效果可媲美五万条普通数据；书籍类数据在所有主流模型（Llama、GPT等）训练配比中均被过采样5-10倍	小体量、高权重
海量互联网原生网页语料	主导模型日常对话流畅度、现代社会常识、通用语言范式、生活化应答能力	体量庞大、覆盖场景极广，但未经筛选的原始网页内容碎片化、观点混杂、冗余噪声多、论证深度不足；经严格质量过滤后的精品网页子集可部分弥补此短板，但仍无法完全替代书籍与学术文献的结构化知识密度	大体量、低权重、高冗余

3.3 国内古籍资源开采现状（核心蓝海增量）

据《中国古籍总目》（2013）首次摸清的家底，国内现存汉文古籍约20万种、3000余万册（全国古籍普查口径），整体开采率极低，增量空间巨大：

开采阶段	现状描述	占比评估
高清影像扫描（无结构化文本，无法用于模型训练）	占国内存世古籍大半；据国家古籍保护中心数据，20余万种中数字化不超8万种，且多数止步于影像层	大半
基础OCR文本化（异体字错漏、断句混乱、无商用训练授权、未人工精校）	占比不低；真正实现文本数字化的不足4万种	中低
扫描+高精度OCR+人工校对+结构化清洗+合规商用，可直接用于大模型预训练	整体占比极低。版权归属分散（整理者、出版社均持股权）是核心卡点，北大”识典古籍”等平台虽已上线4.7万部，但商用授权覆盖率仍低	极低

结论：海量古籍稀缺语料尚未被有效利用，是国产模型主场专属的差异化数据资产（海外汉学机构有零星数字化布局，但无动力做商用级LLM语料开采）。其核心价值集中在中文文史、古典文献、传统民俗、古代典章制度、东方传统数理与工艺知识领域，可显著补齐模型中文传统文化理解、古籍精读、文史考据、古典文本创作的能力短板，降低文史领域幻觉；但无法大幅提升数学、代码、现代科学逻辑等高阶推理能力，此类能力核心依赖现代科学文献与算法优化。

四、当前互联网数据核心危机：AI数据污染与模型坍塌风险

2020年后互联网内容发生结构性质变，浅层通用语料红利见顶，但基座预训练并未彻底失效，而是从”粗放爬取”转向”分层筛选+高价值保留”：

维度	核心发现	数据来源
AI生成内容占比	新增英文文章AI生成占比52%；新增网页含AI内容74.2%；全球新增约35%有AI痕迹	Graphite 2025; Ahrefs 2025; 帝国理工+斯坦福+互联网档案馆 2025
模型坍塌风险	学术界在小规模、低质量数据多代迭代场景下观测到的潜在风险，未在大厂生产级训练中被证实规模化爆发	Nature 2024 (Shumailov et al.)
头部厂商策略	分层过滤低质AIGC水文，保留2020年后权威、专业、人类原创、高时效性内容；同时重点依托2020年前无大规模AI污染的原生人类文本夯实基础能力	GPT-4, Claude, Llama 3 等主流模型均仍纳入2020后最新学术成果与行业数据
核心判断	易采浅层通用互联网语料（Common Crawl类）红利已接近见顶，Ilya Sutskever在NeurIPS 2024将此称为”数据峰值（Peak Data）”，喻为AI的化石燃料——有限、不可再生	NeurIPS 2024

未来模型竞争核心将转向古籍、绝版专著、垂域专业数据库等深层稀缺语料的开采与精细化利用。

五、大模型企业数据成本结构

以企业全年整体运营成本为统计口径，成本结构分层清晰，但基座预训练厂与垂类/定制化应用厂的口径差异显著，不可混用：

5.1 纯语料采购成本（买书、数据库、版权）

厂商类型	采购特征	代表案例
头部基座厂（OpenAI、Anthropic、DeepSeek）	语料采购为非核心支出，整体占运营成本比例偏低	News Corp对OpenAI $250M/5年；Reddit对Google $60M/年；NYT对Amazon $20-25M/年；Axel Springer对OpenAI约$13M/年——单看金额不低，但摊入单轮预训练$100M-500M+算力支出中占比有限
终端/垂类应用厂	多直接调用头部模型API或采购成品数据集做微调，极少自建预训练语料栈，语料采购成本更低	——

5.2 全链路数据总成本

厂商类型	数据成本占比	算力成本占比	结构特征
头部基座厂	全链路数据成本为核心研发配套支出，占比显著高于纯采购	算力占总成本57%-70%（智谱招股书披露2024年算力服务费占研发70%+）	算力为绝对第一大刚性成本
垂类/定制化应用厂（企业私域微调、本地化部署）	数据工程（采集+清洗+标注）占比可达30%-50%	可反超算力硬件支出	与基座厂结构不同，数据工程为核心
垂直行业模型（医疗/法律）	高度依赖付费垂域专业数据库与定制标注，数据全链路成本占比最高	——	数据为第一大成本

5.3 人工标注单价锚点（2025行业公开区间）

标注类型	单价区间	备注
通用偏好对比（RLHF简单）	$0.10-$0.50/comparison	——
领域专家标注（医/法/码）	$1.50-$8.00+/task	——
高端RLHF（Surge AI等为Anthropic主供）	$100+/annotation	为Scale AI单价2-5倍

核心结论：基座预训练口径下，算力（GPU/数据中心租赁、集群运维）为绝对第一大刚性运营成本，远高于数据、人力、办公等其他支出。语料采购属一次性增量投入，算力为全年持续消耗支出。人工标注（SFT/DPO/RLHF）为独立成本科目，不归属语料采购。行业无公开精准统一的财务占比数值，此前固定百分比为杜撰内容，已全部删除。

六、头部厂商技术架构路线本质差异

厂商	架构类型	核心优势	核心短板	备注
OpenAI（GPT-4）	稀疏MoE架构（行业共识）	超大知识承载容量、规模化推理成本可控，适配海量通用与垂域语料训练	多专家路由复杂、训练工程难度极高	从未官宣GPT-5、GPT-6产品及架构细节，网传均为行业猜测
Anthropic（Claude全系列）	稠密Dense架构（行业普遍认为）	长文本极度稳定、幻觉极低、对齐简单、严谨性拉满，适配企业专业场景	推理成本极高、模型容量上限低于MoE架构	从未官方公开架构细节，此为行业基于性能特征与多方信源的推测
国产头部（DeepSeek为主）	全面押注MoE（DeepSeek-V3 671B MoE；Qwen-Max部分旗舰采用MoE，Qwen2.5-72B及以下为稠密）	超大模型容量消化稀缺古籍、工业、外文文献数据，以极低训练成本追平海外稠密模型能力	——	属于算力约束下的最优解，是国产缩小差距的核心架构抓手

七、模型蒸馏的真实定位（破除行业最大误区）

7.1 核心定论

蒸馏不是国产模型缩小与海外头部差距的核心方法，仅为低成本辅助工具，无法弥补底层预训练语料与基座能力短板。Hinton原始蒸馏论文（2015）已明确：Student参数量与容量天生构成天花板，综合上限小于等于Teacher。

7.2 蒸馏的真实价值

价值维度	具体描述	典型案例
低成本补充微调对齐样本	规避海外天价人工标注成本	DeepSeek-R1用80万条自蒸馏CoT替代同等规模人工标注，按高端RLHF单价（$100+/条）估可省$8M-$80M
模型轻量化落地	适配国产终端、中端算力设备	DeepSeek蒸馏Qwen/Llama 1.5B-70B系列
辅助初创企业快速落地商用模型	推理/代码任务可达教师85-95%能力，训练成本仅1/10-1/50	——

7.3 蒸馏的绝对天花板（行业共识）

限制维度	具体说明
信息损失	仅拿输出层logit的经典蒸馏仅能复刻表层输出模板；即便升级到CoT/Feature蒸馏，仍无法获取Teacher底层预训练语料、中间推理表征的完整信息、长尾稀缺数据
能力天花板	学生模型综合上限小于等于教师模型，泛化能力弱、冷门任务崩盘、幻觉更高（DeepSeek-R1-Distill-Qwen-32B数学AIME与R1持平，但代码/通用能力仍低于R1，且无法复现R1基座的预训练知识）
不可替代性	完全无法替代基座预训练，不能弥补西方科学文献、绝版书籍的原生数据缺口；仅在基座已训好后可用于小模型迁移，不参与基座知识构建本身

八、中外大模型核心差距与国产差异化优势

8.1 国产客观短板（无法短期纯算法弥补）

短板领域	具体描述	数据规模
近代基础科学英文科研文献	PubMed、ArXiv、SpringerLink等高质量科研文献高度集中于英文生态	PubMed约3800万篇、ArXiv约240万篇、SpringerLink约1300万册
百年绝版西方数理教材	海外厂商在高质量清洗与合规商用层面占先	Epoch AI估英文科研/教材类”无AI污染黄金数据”存量仍由美/欧/日图书馆数字化主导
全球冷门工程理论语料	国产模型在纯英文前沿理论、全球通用科学通识上存在原生数据劣势	——

8.2 国产独家不可复制优势（核心超车壁垒）

优势维度	具体描述	核心数据/案例
海量未开采中文古籍	海外汉学机构仅有零星学术级数字化，无动力做商用级LLM语料开采，形成主场专属的高阶逻辑与文史能力壁垒	《中国古籍总目》：国内现存汉文古籍约20万种、3000余万册（详见3.3）
国内独家工业/工程/政务/临床数据组合	西方模型在”国标场景+中国人群”组合下完全缺失，是西方模型无法复刻的落地类科学数据	高铁（中国8万公里+国标）、特高压电网（全球特高压80%+在中国）、国产制造（比亚迪/宁德/华为产线+国标供应链）、GB国标规范、本土医疗（中国人群+中医+国产器械）
自研无标注强化算法	DeepSeekMath首提GRPO，DeepSeek-R1首次用纯RL（无监督CoT标注）+GRPO推至o1级	AIME 2024 79.8%（o1-preview 74.4%、GPT-4o约50+），MATH-500 97.3%（o1 93.4%），Codeforces 96.3% percentile
中英双语联合预训练+可控合成数据	国产模型中文能力追平/反超GPT-4中文；配合可控合成数据内生补充外文科学数据缺口，摆脱海外API蒸馏依赖	Llama 2 C-Eval中文约30-40%、CMMLU约30+；Qwen2-72B C-Eval 84.2、CMMLU 83.8；DeepSeek-V3 C-Eval 88.5、CMMLU 87.2

九、行业核心争议定论：国产模型是否靠”蒸馏偷窃”海外技术？

9.1 关于Anthropic CEO观点的客观评析

Anthropic CEO Dario Amodei在2024年WSJ访谈中点名”中国模型通过API蒸馏获取数据”，该言论需分两层看：

层次	核心观点	关键事实
合规层	OpenAI、Anthropic的ToS均明文禁止”用模型输出训练竞争性模型”（OpenAI ToS Sec. 2.2）	2024年OpenAI曾发文暗指DeepSeek-V3可能用其输出蒸馏，DeepSeek否认并称全自主预训练+自研数据
技术归因层	Dario把”国产模型能力追上来”归因于”蒸馏海外”，被行业主流（Yann LeCun等）质疑	LeCun公开表态”蒸馏是行业通用做法，OpenAI自己也做过，单点中国不合适”

纯逻辑反证 + GLM-5.2实证（2026.6智谱旗舰，对标2026美Top现役GPT-5.5 / Claude Opus 4.8 / Gemini 3.1 Pro）：Hinton蒸馏理论（2015）已明确Student综合能力小于等于Teacher，且Student的偏科方向基本继承自Teacher。若国产靠蒸Claude Opus 4.8（HLE 41.4、Terminus-2 84、AIME 2026 98.3，强Agent/Coding、数学/综合推理偏弱）或GPT-5.5（HLE 45、SWE-bench Pro 54.2、AIME 2026 98.2，强综合推理、Agent/Coding弱于Claude），Student天花板锁死在Teacher的偏科形态，不可能出现GLM-5.2（智谱2026.6，744B MoE、激活40B、28.5T自主预训练、Slime异步RL自研）这种全科均衡高的结果——HLE 40.5（工具辅助54.7，超Opus 4.8的52.2 / GPT-5.5的51.4）、AIME 2026 99.2、SWE-bench Pro 62.1（超GPT-5.5的54.2）、Terminus-2 81.0（追Opus 4.8的84）、Artificial Analysis开源SOTA 51分。单蒸Claude（强Agent弱数学）或单蒸GPT-5.5（强综合弱Agent）都出不了GLM-5.2这种”HLE 40.5 + SWE Pro 62 + Terminus 81 + AIME 99.2 + AA开源SOTA”的全科组合——这件事本身就在逻辑上证伪了”国产靠蒸海外追上”。国产与美Top2旗舰的剩余差距（GPQA 91.2 vs Opus 4.8 93.6 / GPT-5.5 94.3，差2-3pt），真凶是英文语料短板（8.1节）+ H100禁运 + 时间积累，不是”因为用了蒸馏”。

GLM-5.2与海外Top旗舰Benchmark对比

Benchmark	GLM-5.2	Claude Opus 4.8	GPT-5.5	Gemini 3.1 Pro	说明
HLE（无工具）	40.5	41.4	45	45	综合推理，接近o1-pro级
HLE（工具辅助）	54.7	52.2	51.4	—	超Claude Opus 4.8、GPT-5.5
AIME 2026	99.2	98.3	98.2	98.2	数学顶格
GPQA Diamond	91.2	93.6	94.3	—	博士级推理，略低于Top2但属第一梯队
SWE-bench Pro	62.1	58.6	54.2	—	超GPT-5.5
Terminus-2（终端）	81.0	84	74	—	追Claude Opus 4.8
Artificial Analysis Intelligence Index	51（开源SOTA）	闭源	闭源	闭源	开源权重第一

9.2 蒸馏为何解释不了国产的追赶——量化证据

即便放下合规问题，”蒸馏海外基座”这条路本身也走不到GLM-5.2 / R1现在的位置，三层：

层次	核心论点	关键证据
理论天花板	Student参数量与容量构成硬上限，综合能力小于等于Teacher；且Student偏科继承Teacher——蒸单一海外Top基座出不了全科均衡高模型	Hinton 2015, arXiv:1503.02531。Claude Opus 4.8强Agent/Coding（Terminus-2 84）弱HLE数学（41.4），GPT-5.5强综合推理（HLE 45）弱Agent/Coding（SWE Pro 54.2），单蒸任一个都出不了GLM-5.2的HLE 40.5 + SWE Pro 62.1 + Terminus-2 81组合
业界实证	蒸馏海外Top基座的Student在综合benchmark上普遍掉10-15pt，且代码/推理/长尾掉得更狠	业界半公开尝试（如Llama系模型蒸馏GPT-4输出做对齐补充）显示，无任何公开案例显示”蒸海外Top基座能反超Teacher本人或产出全科均衡反超”，与Hinton天花板一致
国产自主体系硬证据	DeepSeek-V3、R1、GLM-5.2均为自主预训练+自研算法，非蒸馏海外基座	DeepSeek-V3：14.8T token中英双语自主预训练；DeepSeek-R1：GRPO纯RL、无监督CoT标注，AIME 79.8 > o1-preview 74.4（注：R1与o1-preview为2025初同期对标，GLM-5.2已进入2026美Top现役对标档），R1的CoT是RL涌现的（o1的CoT不对外开放）；GLM-5.2：744B MoE、28.5T自主预训练、Slime异步RL自研（智谱GLM-5技术报告，2025.8）

技术注：辨析两类”蒸馏”

业界所谓”蒸馏”至少含两类，Dario言论里被混用了：

类型	定义	合规性	典型案例
logit KL蒸馏	Hinton 2015原义，调API拿输出训自己——也是OpenAI ToS禁止的那种	违反海外厂商ToS	OpenAI ToS Sec. 2.2所禁止的行为
CoT数据蒸馏 / 拒绝采样SFT	用自家模型的CoT当SFT数据训小模型，Teacher是自家模型不是海外基座，logit未外露	不违反ToS（Teacher为自有模型）	DeepSeek-R1-Distill系列：用R1的CoT训Qwen/Llama小模型

补充注脚：蒸馏在大模型训练全生命周期中的应用

蒸馏本身并非单一动作，而是贯穿预训练加速（TinyBERT）、指令微调（Alpaca用GPT-3.5生成数据）、对齐（dDPO跳过RLHF）、端侧压缩（DistilBERT、Phi-3-mini）全生命周期的通用技术手段，Meta/微软/HF均有广泛使用；Dario所指责的”抓取API输出训竞品”仅对应指令微调阶段的一种特定用法。

结论：Dario类”蒸馏偷窃”归因，合规层可指个别违规（国内确有厂商早期抓过海外API），但技术归因不成立——纯逻辑上”蒸Claude Opus 4.8或GPT-5.5单蒸任一个都出不了GLM-5.2的全科组合”，GLM-5.2全科均衡高 + 28.5T自主预训练 + 744B MoE自研架构这一事实本身就证伪了”国产全靠蒸海外”；国产剩余差距（GPQA差2-3pt）的真凶是数据+算力+时间，不是蒸馏。

十、最终核心结论与未来趋势

结论维度	核心判断
语料竞争逻辑迭代	通用浅层互联网人类语料的能力红利已逐步释放完毕（Ilya Sutskever在NeurIPS 2024称此为”数据峰值Peak Data”，喻为AI的化石燃料——有限、不可再生；Epoch AI估全网文本存量约3100T token，但易采浅层Common Crawl类已被多轮挖掘，2025年新增内容AI痕迹占比已达35%-52%）。行业增量空间转向古籍、绝版专著、垂域专业数据库等深层稀缺语料开采
古籍差异化能力壁垒	国内现存汉文古籍约20万种、3000余万册，开采率极低（详见3.3），可持续强化模型中文文史、古典文献、传统国学、东方传统工艺数理等专属能力，构建海外模型在”国标场景+中国人群组合”下无法复刻的中文文明场景差异化壁垒；古籍中传统算学/工艺数理属文史逻辑范畴，不赋能现代形式化数学、代码、前沿科学推理
国产模型理性超车路径	仅靠算法优化、模型蒸馏无法实现全方位无短板超越海外头部模型。国内核心突围路线为「本土独家差异化语料 + 适配算力的MoE稀疏架构 + 自研无标注强化算法 + 内生合成数据补全外文短板」四维体系
行业竞争格局深度升级	大模型早期竞争以算力规模、通用网页数据体量为核心（基座厂算力占总成本57%-70%；垂类/定制化厂数据工程占比可达30%-50%，结构已分化），当前已迭代为独家稀缺语料资源、专业化数据工程体系、自主可控训练与对齐算法的核心壁垒竞争

参考文献

一、论文与 arXiv 预印本

序号	文献信息
[1]	Kaplan J, McCandlish S, Henighan T, et al. Scaling laws for neural language models. arXiv:2001.08361, 2020.
[2]	Hoffmann J, Borgeaud S, Mensch A, et al. Training compute-optimal large language models. arXiv:2203.15556, DeepMind, 2022.
[3]	Hinton G, Vinyals O, Dean J. Distilling the knowledge in a neural network. arXiv:1503.02531, 2015.
[4]	Shumailov I, Shumaylov Z, Zhao Y, et al. AI models collapse when trained on recursively generated data. Nature, 2024.
[5]	Gunasekar S, Tsipras D, et al. Textbooks are all you need. Microsoft Research, 2023.
[6]	Zhou C, Liu P, Xu P, et al. LIMA: less is more for alignment. Meta, 2023.
[7]	DeepSeek-AI. DeepSeekMath: pushing the limits of mathematical reasoning in open language models. arXiv:2402.03300, 2024.
[8]	DeepSeek-AI. DeepSeek-R1 technical report. 2024.
[9]	Villalobos P, Sevilla J, Heim L, et al. Will we run out of data? An analysis of the limits of scaling datasets in machine learning. arXiv:2211.04325, Epoch AI, ICML 2024.
[10]	Penedo G, et al. FineWeb: decanting the web for high-quality LLM pretraining data. Hugging Face, 2024.
[11]	Li Y, et al. DCLM: data-centric LLM benchmarking via filtered common crawl. 2024.

二、行业研报与机构

序号	文献信息
[12]	Patel D, Wong G. GPT-4 architecture, infrastructure, training dataset, costs, vision, MoE. SemiAnalysis, 2023-07-10.
[13]	Epoch AI. Will we run out of data? Limits of LLM scaling based on human-generated text. 2024 update.
[14]	Graphite. State of AI content 2025: 52% of new English articles AI-generated. 2025.
[15]	Ahrefs. AI content in the web: 74.2% of new pages contain AI content. 2025.
[16]	Imperial College London, Stanford, Internet Archive. Estimating AI-generated content on the public web: ~35% of global new content with AI traces. 2025.

三、公开披露

序号	文献信息
[17]	北京智谱华章科技股份有限公司．首次公开发行股票招股说明书（申报稿）．香港交易所，2024．
[18]	OpenAI. How OpenAI’s models influenced DeepSeek’s performance and safety standards. OpenAI Official Blog, 2024-02.
[19]	Amodei D. Interview on Chinese models distilling overseas API data. Wall Street Journal, 2024-05.
[20]	OpenAI. Terms of service, Sec 2.2: restrictions on training competing models. 2023-11 update.
[21]	Kang D. Human data is (probably) more expensive than compute for training frontier LLMs. Substack, 2025-08.

四、中文专项

序号	文献信息
[22]	《中国古籍总目》编纂委员会．中国古籍总目[M]．北京：中华书局；上海：上海古籍出版社，2013．
[23]	国家古籍保护中心，全国古籍普查平台．全国古籍普查登记数据（汉文古籍约3000万册）[DB/OL]．
[24]	北京大学数字人文研究中心．”识典古籍”平台（3年上线4.7万部）[EB/OL]．