# OLMo 2 (November 2024) Pretraining set Collection of data used to train OLMo-2-1124 models. The majority of this dataset comes from DCLM-Baseline with no additional filtering, but we provide the e

魔搭社区2026-06-27 更新240

nlp-datasets

自然语言处理

文本数据集

包含自然语言处理(NLP)相关文本数据集的字母顺序列表，主要提供免费/公共领域的文本数据集。

github2019-03-26 更新170

ViFactCheck

事实核查

越南语处理

ViFactCheck是第一个公开的越南语事实核查基准数据集，专门为越南语事实核查设计，包含7,232个人工标注的声明-证据对，涵盖了12个不同的主题。

github2025-03-22 更新250

h-8m-cleaned-and-prompts

自然语言处理

文本数据集

该数据集包含三个配置文件，分别为chunk-00000、chunk-00001和chunk-00006。每个配置文件都包含两个特征：清理后的文本(cleaned_text)和提示(prompt)，均为字符串类型。数据集仅包含训练集split，每个split的大小略有不同。总下载大小约为1.5GB，总数据集大小约为2.6GB。

Hugging Face2025-09-04 更新240

Vietnamese Curated Dataset

资源简介：

相关数据集