Pashto Common Voice Preprocessed

kaggle2026-04-21 更新2026-07-24 收录

普什图语

语言模型训练

数据链接：

https://www.kaggle.com/datasets/karimnaimy/pashto-common-voice-preprocessed 数据链接链接失效反馈

官方服务：

资源简介：

Pashto Common Voice - 16 kHz float32 Arrow dataset for Whisper

普什图语（Pashto）通用语音（Common Voice）数据集——适用于Whisper模型的16 kHz 32位浮点型Arrow格式数据集

创建时间：

2026-04-21

premio-ai/TheArabicPile_Reviews

阿拉伯语评论

语言模型训练

The Arabic Pile是一个专注于阿拉伯语的综合数据集，旨在与The Pile和The Nordic Pile的结构相平行。该数据集涵盖了现代标准阿拉伯语（MSA）以及多种黎凡特、北非和埃及方言，适用于训练和微调大型语言模型。数据集包含13个子集，每个子集针对不同的语言领域，如数学内容、对话、医学文本等。数据集分为原始子集和去重子集，原始子集为从源收集的原始数据，去重子集则经过过滤和清理，

Hugging Face2024-03-21 更新230

drodin/TextBooksPersonaHub

语言模型训练

内容生成

TextBooksPersonaHub数据集是proj-persona/PersonaHub数据集的扩展，使用Qwen2-72B-Instruct模型生成与特定人物相关的教科书式段落。每个条目包含原始人物描述和生成的内容。数据集旨在用于训练语言模型、研究人物驱动的内容生成以及探索教科书质量数据在语言模型训练中的有效性。

Hugging Face2024-07-21 更新200

stanford-crfm/heuristic_classification-filtered-pile-50M

语言模型训练

数据筛选

该数据集是从The Pile中通过启发式分类数据选择方法选出的子集，目标分布是The Pile中的Wikipedia和BookCorpus2子集。数据集包含51.2M个训练样本，格式为jsonl。数据实例展示了文本内容、元数据和ID。数据集的创建过程涉及从非Wikipedia和书籍数据中选择样本，然后随机从Wikipedia、BookCorpus2、Gutenberg和Books3中选择样本，最后

Hugging Face2023-09-16 更新180

Slowblood/guanaco-llama2-1k

指令数据集

语言模型训练

--- dataset_info: features: - name: text dtype: string splits: - name: train num_bytes: 1654448 num_examples: 1000 download_size: 966693 dataset_size: 1654448 configs: - config

Hugging Face2023-10-19 更新210

BramVanroy/wikipedia_culturax_dutch

荷兰语文本数据

语言模型训练

--- language: - nl size_categories: - 10B<n<100B task_categories: - text-generation - text2text-generation pretty_name: Filtered CulturaX + Wikipedia for Dutch dataset_info: - config_name: 100M feat

Hugging Face2024-12-23 更新190

Pashto Common Voice Preprocessed

资源简介：

相关数据集