相关数据集
Ti-Ma/wikipedia_2018
该数据集是基于截至2018年12月31日的Wikipedia数据构建的。通过选择每年12月31日的最新修订版本，确保数据集反映了每年年底Wikipedia上最新的信息。数据集经过清理，去除了文件链接、强调、注释、缩进、HTML、引用等不需要的特征和属性。数据集适用于历时研究、历史LLM预训练以及需要严格时间划分数据的任务。
Hugging Face2024-04-26 更新300
deepset/germandpr
--- language: - de multilinguality: - monolingual source_datasets: - original task_categories: - question-answering - text-retrieval task_ids: - extractive-qa - closed-domain-qa thumbnail: >- https:
Hugging Face2023-04-06 更新220
Khatwanigaurav/rag-mini-wikipedia
--- license: cc-by-3.0 language: - en task_categories: - question-answering - sentence-similarity tags: - rag - wikipedia - open-domain - information-retrieval - dpr size_categories: - n<1K configs: -
Hugging Face2026-03-27 更新140
wikilite
该数据集提供了预处理的SQLite数据库，用于Wikilite工具，支持离线搜索和访问Wikipedia内容。支持的语言包括撒丁语、意大利语、西班牙语和英语。数据集结构为每种语言存储为一个单独的压缩文件。使用方法包括下载、解压缩数据库、安装Wikilite、运行Wikilite以及访问Web界面。Wikilite工具具有快速灵活的词汇搜索、增强的语义搜索、离线访问、命令行界面和Web界面等功能。
Hugging Face2024-12-30 更新230
pedrocurvo/vdocrag-odvqa-dse-s3-200k_mix-qa
该数据集包含50,000个训练样本，每个样本包括查询ID、查询内容、答案列表、相关文档ID列表和数据集名称列表。数据集主要用于训练目的，总文件大小为12,170,216字节，下载文件大小为4,008,469字节。
Hugging Face2025-12-14 更新190
