caskcsg/Litelong_Nextlong_128k

Name: caskcsg/Litelong_Nextlong_128k
Creator: caskcsg
Published: 2026-01-03T04:42:37+08:00

Hugging Face2025-09-19 更新2026-01-03 收录

数据链接：

https://hf-mirror.com/datasets/caskcsg/Litelong_Nextlong_128k 数据链接链接失效反馈

官方服务：

资源简介：

--- license: apache-2.0 ---

提供机构：

caskcsg

caskcsg/LongMagpie_64k_dataset

长上下文指令生成

自合成框架

LongMagpie数据集是一个自动生成的长上下文指令数据集，用于训练长上下文大型语言模型。该数据集由LongMagpie框架自动生成，无需人工标注。数据集包含从fineweb-edu数据集中提取的上下文、LongMagpie生成的查询和答案。数据集分为单文档和多个文档版本，并提供了用于训练长文本和平衡长文本和短文本性能的版本。

Hugging Face2025-08-02 更新350

caskcsg/Libra-Emo

视频分析

情绪识别

Libra-Emo是一个大规模的多模态细粒度数据集，用于负面情绪检测。它包括视频片段、字幕、情绪标签和相应的解释。数据集是单语言的（英语），并遵循CC BY 4.0许可证发布。数据集的大小在10K到100K样本之间，分为训练集和测试集。特征包括视频、字幕、标签和解释。README提供了详细的下载、解压和使用数据集的说明，以及用于预测和评估的脚本。该数据集专为视频分类任务设计，特别是用于识别负面情绪

Hugging Face2025-05-25 更新190

caskcsg/NExtLong-64K-dataset

自然语言处理

上下文学习

NExtLong数据集是通过负文档扩展方法合成的，包含多个数据集，如NExtLong-64K-dataset、NExtLong-512K-dataset等，这些数据集完全由合成数据组成，用于训练能够处理长上下文的语言模型。

Hugging Face2025-08-02 更新130

caskcsg/NExtLong-512K-dataset-subset

自然语言处理

机器学习

NExtLong数据集是一系列通过负文档扩展方法合成的长上下文数据集，用于训练大型语言模型。这些数据集完全由合成数据组成，来源于fineweb-edu和Cosmopedia v2两个短文本数据集。数据集有不同的规模，包括64K、128K和512K合成数据，以及用于特定模型微调的子集和变体。

Hugging Face2025-08-02 更新250

caskcsg/LongMagpie_singledoc_longcontext_dataset

自然语言处理

指令数据生成

LongMagpie是一个自合成框架，用于自动生成大规模长上下文指令数据。该框架利用已对齐的长上下文大型语言模型（LLMs）自动生成上下文相关的查询，通过收集这些文档-查询对和模型的响应，LongMagpie能够产生高质量的指令，无需人工干预。实验表明，LongMagpie在长上下文任务上取得了领先性能，同时在短上下文任务上也保持了竞争力。

Hugging Face2025-08-02 更新140

caskcsg/Litelong_Nextlong_128k

资源简介：

相关数据集