中文学科类无监督文本数据

学科类内容数据总计约1T左右；每个学科类内容包含标题、内容、作者、时间、一级领域（学科）、二级子领域（知识点）；该数据可用于大型语言模型（LLM）训练、chatgpt等任务

The total volume of subject-specific content data is approximately 1 terabyte (1T). Each piece of subject-specific content includes a title, body content, author, publication time, primary discipline domain, and secondary sub-domain (knowledge point). This dataset can be used for training large language models (LLMs), ChatGPT and other related tasks.

搜集汇总

背景与挑战

背景概述

该数据集为中文学科类无监督文本数据，总计约1T，涵盖标题、内容、作者、时间及学科知识点等字段，适用于大型语言模型训练。作为商业数据，它仅面向企业合作购买提供。