five

MNBVC

收藏
OpenDataLab2026-05-17 更新2024-05-09 收录
下载链接:
https://opendatalab.org.cn/OpenDataLab/MNBVC
下载链接
链接失效反馈
官方服务:
资源简介:
MNBVC (海量永无止境的BT海量中文语料库) 超大规模中文语料集。对标chatGPT训练的40t数据。MNBVC数据集不但包括主流文化,也包括各个小众文化甚至火星文的数据。MNBVC数据集包括新闻、作文、小说、书籍、杂志、论文、台词、帖子、维基、古诗、歌词、商品介绍、笑话、糗事、聊天记录等一切形式的纯文本中文数据。

MNBVC (Massive Never-ending BT Chinese Corpus) is an ultra-large-scale Chinese corpus dataset. It is benchmarked against the 40 trillion tokens of training data used for ChatGPT. The MNBVC dataset covers not only mainstream cultural content but also data from various niche cultures and even martian language, a type of non-standard Chinese internet slang. It includes all forms of pure-text Chinese data, such as news, compositions, novels, books, magazines, academic papers, dialogue lines, posts, Wikipedia articles, ancient Chinese poems, song lyrics, product introductions, jokes, embarrassing anecdotes, chat logs, and more.
提供机构:
OpenDataLab
创建时间:
2023-10-11
搜集汇总
数据集介绍
main_image_url
背景与挑战
背景概述
MNBVC是一个超大规模的中文语料库,包含新闻、作文、小说等多种形式的纯文本数据,对标chatGPT的训练数据规模。该数据集由OpenDataLab于2023年发布,采用MIT许可证。
以上内容由遇见数据集搜集并总结生成
5,000+
优质数据集
54 个
任务类型
进入经典数据集
二维码
社区交流群

面向社区/商业的数据集话题

二维码
科研交流群

面向高校/科研机构的开源数据集话题

数据驱动未来

携手共赢发展

商业合作