120GB 是一个数据容量单位，常用于描述数据集规模或存储空间大小；在近期的 AI 领域，120GB 成为中文开源训练语料的一个重要规模刻度——中文互联网基础语料 4.0 正是以这一体量发布，供大模型研发机构使用。
中文语料库的 120GB 里程碑
据 IT之家报道，中文互联网基础语料 4.0 正式发布，数据量达到 120GB。这一项目由相关机构持续推进版本迭代，目标是为国产大模型提供更干净、覆盖面更广的中文预训练数据。随着中文语料整理工作从早期分散抓取走向系统化清洗，GB 级到 TB 级的开放数据集正在成为行业基础设施的一部分。详见 中文互联网基础语料 4.0 发布，数据量 120GB。
120GB 体量在模型本地化中的位置
在端侧模型场景中，120GB 左右的体量也常被用来衡量本地部署的门槛。微软近期发布的 MAI-Code-1.1-Flash 本地代码模型，主打在 Windows 机器上直接运行，其权重与运行环境的体积控制正是此类产品的关键卖点。对个人开发者而言，模型文件加上依赖环境是否塞进一块普通硬盘，直接影响本地化方案的可及性，参考 微软发布 MAI-Code-1.1-Flash 本地代码模型，可在 Windows 机器运行。类似的，苹果新发布的 Mac Studio（M5 Max / M5 Ultra，19999 元起售）也因大内存与大存储配置，被不少用户视为运行百 GB 级本地模型的硬件选择，见 苹果推出全新 Mac Studio，可选 M5 Max 或 M5 Ultra 处理器，19999 元起售。
存储侧的连带观察
数据集与模型体积的增长，也牵动着存储市场。近期多款主流固态硬盘 SSD 单周跌幅超过 10%，渠道报价明显松动，对需要囤积训练数据或本地模型的团队是利好信号（相关报道）。同时雷克沙推出 SATA 固态硬盘 NF100，顺序读取至高可达 500MB/s，覆盖入门容量段需求（报道链接）。
当前焦点与观察点
围绕 120GB 这一规模量级，值得关注的方向有三个：一是中文开放语料的版本更新频率与清洗质量能否持续提升；二是端侧模型体积是否继续向百 GB 量级下沉，使消费级设备也能承载；三是存储价格波动对 AI 数据基础设施成本的实际影响。总体来看，120GB 既是数据集的刻度，也是衡量 AI 资源“平民化”程度的一个参照点。