bombman/thwiki-2026-super-clean-2k
收藏Hugging Face2026-04-26 更新2026-05-03 收录
下载链接：
https://hf-mirror.com/datasets/bombman/thwiki-2026-super-clean-2k
下载链接
链接失效反馈官方服务：
资源简介：
---
language:
- th
license: apache-2.0
size_categories:
- 1K<n<10K
task_categories:
- text-generation
---
# 🇹🇭 Thai Wikipedia Super-Clean (2026 Edition)
Dataset ชุดนี้สกัดจาก Wikipedia ภาษาไทย (Dump 2026) โดยเน้นความสะอาดระดับ "Pro-Clean" เพื่อใช้สำหรับ Distillation และ Fine-tuning LLM โดยเฉพาะ
### Key Features
- **High Information Density:** คัดเฉพาะบทความที่มีเนื้อหายาวเกิน 1,000 ตัวอักษร และมีสัดส่วนภาษาไทย > 50%
- **Pro-Cleaned:** ลบชื่อไฟล์ภาพ (.jpg, .png), ขยะสัญลักษณ์ Wiki (`==`, `'''`), และวงเล็บเปล่าออกทั้งหมด
- **Entity Preserved:** เก็บเครื่องหมายคำพูด `" "` เพื่อคงขอบเขตของชื่อเฉพาะและสถานที่ไว้
- **Randomized:** สุ่มหยิบข้อมูลจากทั้งไฟล์เพื่อให้ได้ความหลากหลายของเนื้อหา
提供机构：
bombman
