Geralt-Targaryen/synthetic-stories

Name: Geralt-Targaryen/synthetic-stories
Creator: Geralt-Targaryen
Published: 2025-07-11 16:26:32
License: 暂无描述

Hugging Face2025-07-11 更新2025-10-25 收录

下载链接：

https://hf-mirror.com/datasets/Geralt-Targaryen/synthetic-stories

下载链接

链接失效反馈

官方服务：

资源简介：

--- license: apache-2.0 ---

提供机构：

Geralt-Targaryen

Geralt-Targaryen/CC-Stories

CC-Stories是一个清洗和去重后的故事数据集，包含679,689个样本。数据集经过内部去重和与OpenWebText2的交叉去重，以及基于n-gram重叠的脱毒处理，确保了数据的质量和多样性。

Hugging Face2025-01-15 更新90

Geralt-Targaryen/tinystories

TinyStories数据集是从GPT-3.5和GPT-4生成的，经过清洗和去重，包含2,205,910个GPT-3.5生成的故事和2,733,747个GPT-4生成的故事。为了确保数据集的质量和适用性，该数据集还针对多个知名基准数据集进行了去污染处理，移除了与这些基准重合的内容。最终，数据集中有两篇文档因为重合度问题被移除。

Hugging Face2025-01-05 更新50

Geralt-Targaryen/MELA

该数据集可能用于文本分类任务，特别是与语言可接受性相关的分类。数据集支持多种语言，包括英语、中文、意大利语、俄语、德语、法语、西班牙语、日语、阿拉伯语和冰岛语。

Hugging Face2024-06-16 更新150

Geralt-Targaryen/stack

这是一个经过清洗的编程语言数据集，包含了java、javascript、php、python等高资源编程语言，去除了非英语文件和低质量文件。数据集还针对多个NLP基准进行了去污染处理，共有94,940,432个样本，文件大小为142G。

Hugging Face2025-03-26 更新70

Geralt-Targaryen/openwebmath

这是一个经过清理、去重和去污染的OpenWebMath数据集版本，移除了非英语文档和低质量文档，并与OpenWebText2和CC-News数据集进行了去重。数据集还针对多个知名基准进行了去污染处理，以确保数据质量。

Hugging Face2025-01-15 更新60