---
title: MedTranslation-Data-v2
canonical_url: "https://www.modelscope.cn/datasets/InfoxmedModel/MedTranslation-Data-v2"
md_url: "https://www.modelscope.cn/datasets/InfoxmedModel/MedTranslation-Data-v2.md"
repository: InfoxmedModel/MedTranslation-Data-v2
chinese_name: "医学翻译数据集v2（文献增强）"
last_updated: 2026-08-04
license: Apache-2.0
downloads: 328
stars: 0
---

# MedTranslation-Data-v2

> MedTranslation-Data-v2 - InfoxmedModel 在 ModelScope 开源的数据集。Medical English-to-Chinese translation dataset v2 (MedTranslation-Data-v2): 4501 general medical + 280 literature samples (4781 train / 531 dev), literature-enhanced with 254 curated literature…

InfoxmedModel/MedTranslation-Data-v2 是 ModelScope 魔搭社区上的数据集，采用 Apache-2.0 许可。

- **Repository**: InfoxmedModel/MedTranslation-Data-v2
- **License**: Apache-2.0
- **Downloads**: 328
- **Stars**: 0
- **Last updated**: 2026-08-04

Source: https://www.modelscope.cn/datasets/InfoxmedModel/MedTranslation-Data-v2

---

## 数据概览

| 子集 | 文件 | 条数 | 用途 |
|------|------|:--:|------|
| 通用医学训练 | `training/sft_v1_train.jsonl` | 4,501 | LoRA SFT 训练（医学 70% + 通用 30%） |
| 文献训练 | `training/sft_literature_train.jsonl` | 280 | 文献风格 SFT 训练（InfoXmed 论文摘要） |
| 通用医学验证 | `training/sft_v1_dev.jsonl` | 499 | 训练过程验证 |
| 文献验证 | `training/sft_literature_dev.jsonl` | 32 | 文献风格验证 |
| 黄金评测集 | `eval/golden_eval_en2zh.jsonl` | 999 | BLEU/chrF 评测 |
| 文献评测集 | `eval/eval_literature_en2zh.jsonl` | 50 | 文献翻译评测（10 科室 × 5 条） |
| 安全测试集 | `eval/safety_test.jsonl` | 108 | 医学翻译安全性检测 |
| 文献安全测试 | `eval/safety_literature_en2zh.jsonl` | 27 | 文献场景安全性检测 |
| 术语库 | `terminologies/terms_global_clean.jsonl` | 16,718 | 药物/疾病术语对齐 |
| 文献术语 | `terminologies/terms_literature_curated.jsonl` | 254 | 文献高频术语人工精选（统计/方法/生物） |


## 训练数据构成

| 数据源 | 条数 | 领域 | 来源说明 |
|------|:--:|------|------|
| ParaMed (NEJM) | 1,806 | 医学 | 新英格兰医学杂志句子级对齐 |
| WMT22 生物医学 | 1,349 | 医学 | PubMed 摘要平行语料 |
| InfoXmed 全文摘要 | 280 | 医学（文献） | 论文全文摘要，带章节结构 |
| UN Parallel | 726 | 通用 | 联合国平行语料（保持通用能力） |
| News Commentary | 620 | 通用 | 新闻评论语料（保持通用能力） |
| **合计** | **4,781** | 医学 70% / 通用 30% | |

文献数据占训练总量 280/4,781 ≈ 5.9%，按自然顺序拼接（MedTranslation-Data 数据在前、文献在后），每 epoch 模型看到的大多数样本仍是通用医学数据，防止文献数据"喧宾夺主"导致遗忘。

---

## 数据格式

### 训练集 / 验证集

Chat 格式 JSONL，每行一条：

```json
{
  "messages": [
    {"role": "user", "content": "Translate the following segment from English to Chinese, without additional explanation.\n\nTerminology (must use these translations):\n- hepatitis B virus → 乙型肝炎病毒\n- methods → 方法\n\nSegment: Introduction: The aim of this study was to evaluate the efficacy of ...\n\nChinese translation:"},
    {"role": "assistant", "content": "中文译文..."}
  ],
  "src": "英文原文",
  "tgt": "中文参考译文",
  "applied_terms": ["hepatitis B virus→乙型肝炎病毒", "methods→方法"],
  "source": "infoxmed_full_text",
  "domain": "literature"
}
```

### 黄金评测集

```json
{
  "id": "golden_0000",
  "src": "英文原文",
  "tgt": "中文参考译文",
  "direction": "en2zh",
  "domain": "infectious_disease",
  "source": "golden_wmt18",
  "split": "test"
}
```

### 文献评测集

```json
{
  "id": "literature_0000",
  "src": "英文原文（含章节结构）",
  "tgt": "中文参考译文",
  "direction": "en2zh",
  "domain": "infectious_disease",
  "source": "infoxmed_literature",
  "split": "test"
}
```

### 安全测试集

```json
{
  "id": "safety_001",
  "source": "英文原文",
  "good_translation": "正确译文",
  "bad_translation": "错误译文（典型错误示例）",
  "error_type": "negation_reversal",
  "risk_level": "critical",
  "split": "test"
}
```

错误类型包括：`negation_reversal`、`dosage_error`、`unit_error`、`laterality_error`、`drug_name_confusion`、`positive_negative_error`、`diagnosis_addition`、`diagnosis_omission`、`allergy_omission`、`multiple_errors`。

### 术语库

```json
{
  "term_id": "TERM-000001",
  "source_term": "Ofloxacin Tablets",
  "target_term": "氧氟沙星片",
  "source_lang": "en",
  "target_lang": "zh",
  "domain": "pharmacology",
  "term_type": "drug",
  "synonyms": ["片剂"],
  "forbidden_translations": [],
  "priority": 55,
  "source_db": "InfoXmed",
  "origin": "nmpa",
  "approval_number": "国药准字H44022505",
  "status": "aligned",
  "merged_from": ["InfoXmed"]
}
```

文献术语示例：`p-value → p值`、`hazard ratio → 风险比`、`odds ratio → 优势比`、`confidence interval → 置信区间`、`introduction → 引言`、`methods → 方法`。

术语来源：NMPA 国药准字号药品、UMLS、MeSH、SNOMED CT、InfoXmed 药物库。已移除 89,680 条 UMLS LOINC 实验室代码噪声，修复 O→0 字符乱码。

---

## 术语注入说明

术语在训练数据构建阶段被**预注入**到 prompt 中（训练脚本不动态加载术语库）。注入算法：

1. 归一化（小写、连字符/斜杠转空格、压缩空白）
2. 精确匹配优先，未命中时词干化回退（-ing/-ed/-s/-tion）
3. 滑动窗口最长 6 词短语匹配
4. 每条最多注入 3 个术语

术语命中率：通用医学训练集 6.5%，文献训练集 **97.5%**（280 条中 273 条命中）。

---

## 配套模型

[InfoxmedModel/InfoMed-MT2-7B-MedZh](https://modelscope.cn/models/InfoxmedModel/InfoMed-MT2-7B-MedZh)

---

## 许可与声明

本数据集仅供研究学习使用。医学翻译内容不构成医疗建议。

---

*Infoxmed 团队 · 2026年8月*