该数据集包含一个训练分片，共计102,063,987条文本样本，总数据量528GB。每条记录包含文本内容（text字段）及丰富的元数据：唯一标识符（id）、来源URL（url）、日期信息（date）、存储路径（file_path）。语言相关特征包括预测语言类型（language）及其置信度（language_score），同时提供文本长度（token_count）、质量评分（score/int_s

Hugging Face2026-02-16 更新70