ToolCall-4B Pretraining Corpus v1

kaggle2026-08-09 更新2026-08-19 收录

工具调用

预训练语料

数据链接：

https://www.kaggle.com/datasets/vaibhavmugulavalli/toolcall-4b-pretraining-corpus-v1 数据链接链接失效反馈

官方服务：

资源简介：

Four-billion-token pretraining shards for the ToolCall-200M model

用于ToolCall-200M模型的40亿Token预训练分片

创建时间：

2026-08-09

MiChao-HuaFen 1.0

预训练语料

新闻与政府

MiChao-HuaFen 1.0是由上海米读科技有限公司和上海人工智能实验室共同创建的预训练语料库数据集，专注于新闻和政府领域。该数据集包含超过7000万条数据，源自2022年的公开互联网数据，经过多轮清洗和处理确保高质量和可靠来源。创建过程中采用了关键词过滤、图像提取、基于规则的过滤和格式转换等方法。该数据集主要用于支持中文垂直领域大型模型的预训练，推动深度学习研究和应用在相关领域的发展，特别

arXiv2023-09-26 更新1450

FuLG

预训练语料

罗马尼亚语处理

FuLG数据集由布加勒斯特理工大学开发，是一个包含1560亿个token的罗马尼亚语预训练语料库。该数据集从CommonCrawl中提取，经过去重和内容过滤等处理步骤，确保数据质量和多样性。创建过程包括使用FastText进行语言识别和CCNet进行数据处理。FuLG主要用于提升罗马尼亚语在大型语言模型中的表现，解决该语言在现有模型中代表性不足的问题。

arXiv2024-07-19 更新510

sft-tool-calling-structured-output-v1

视觉语言模型

工具调用

该数据集用于训练3-20B参数规模的大型语言模型（LLMs），专注于工具调用和结构化输出/分类任务。数据集内容包含英文及部分日文文本。适用任务包括文本分类、问答和文本生成。数据集规模介于10万到100万样本之间，特别适用于智能体和工具相关的研究与应用。

Hugging Face2026-01-27 更新120

魔搭通用agent数据集（agentfabric版）

AI Agent

工具调用

#### 数据集介绍本数据集为符合[modelscope-agent](https://github.com/modelscope/modelscope-agent)格式的SFT数据集，针对modelscope-agent的tools调用能力进行了优化和适配。 #### 数据集构成本数据集分为两个子数据集，`default` (new_ms_agent.jsonl文件)，共30000条；

魔搭社区2026-07-15 更新600

矿山大模型预训练语料数据集

矿山

预训练语料

德阳大数据交易所2025-12-26 更新140

ToolCall-4B Pretraining Corpus v1

资源简介：

相关数据集