seq-monkey 序列猴子开源数据集 1.0

序列猴子是出门问问提供的超大规模语言模型，序列猴子数据集是用于训练序列猴子模型的数据集合，现抽取部分数据集向公众开放。

"Sequence Monkey" is an ultra-large-scale language model developed by Mobvoi. The Sequence Monkey Dataset is the dataset used for training this model, and a subset of the dataset has now been made publicly available.

搜集汇总

背景与挑战

背景概述

该数据集是出门问问提供的序列猴子语言模型训练数据集合，包含中文通用文本、古诗今译和文本生成三个领域的语料，总计开放超过1,300万份中文文本、68万首古诗翻译和5千条问答数据，适用于自然语言处理任务如文本生成和错误纠正。数据集规模较大（10.73 GB），专注于中文语言处理，旨在支持模型训练和微调。