预训练中文数据集

内容抽取自匠心sft数据集，数据相对比较高质量。最大长度为512，删除了生成表格的预训练数据。

The content of this dataset is extracted from the Jiangxin SFT Dataset, and the data is of relatively high quality. It has a maximum sequence length of 512, and pre-training data related to table generation has been removed.

搜集汇总

背景与挑战

背景概述

该数据集是一个预训练中文数据集，由BazingaLyn贡献，大小为5.15GB，更新于2025年6月28日，采用Apache License 2.0许可证。数据集卡片未提供详细描述，但可通过登录后使用SDK或GIT克隆方式下载，文件信息需在'数据集文件'页面查看。