five

hynky/betterweb

收藏
Hugging Face2026-04-22 更新2026-04-26 收录
下载链接:
https://hf-mirror.com/datasets/hynky/betterweb
下载链接
链接失效反馈
官方服务:
资源简介:
BetterWeb是FineWeb数据集的改进版本,通过集成质量评分方法对原始数据进行质量过滤。该数据集结合了三种互补的质量信号:DCLM FastText质量分类器(衡量一般指令跟随质量和推理清晰度)、FineWeb-Edu教育分类器(基于460K LLM标注样本训练)和写作质量启发式方法(包括词汇丰富度、信息密度、句子质量和结构质量等指标)。数据集包含多个质量评分指标和质量等级(0-4),每个文档都有一个quality_tier属性用于灵活过滤。数据集是从FineWeb sample-10BT(10亿token)过滤而来,主要用于预训练目的。

BetterWeb is a quality-filtered version of the FineWeb dataset that applies ensemble quality scoring. It combines three complementary quality signals: the DCLM FastText quality classifier (measuring general instruction-following quality and reasoning clarity), the FineWeb-Edu educational classifier (trained on 460K LLM-annotated samples), and writing quality heuristics (including vocabulary richness, information density, sentence quality, and structural quality metrics). The dataset includes multiple quality scoring metrics and quality tiers (0-4), with each document having a quality_tier attribute for flexible filtering. It is filtered from FineWeb sample-10BT (10 billion tokens) and is primarily intended for pretraining purposes.
提供机构:
hynky
5,000+
优质数据集
54 个
任务类型
进入经典数据集
二维码
社区交流群

面向社区/商业的数据集话题

二维码
科研交流群

面向高校/科研机构的开源数据集话题

数据驱动未来

携手共赢发展

商业合作