遇见数据集

Web3Survivor/Survivor

收藏
Hugging Face2025-12-11 更新2025-12-20 收录
官方服务:

资源简介:

FinePDFs-Edu数据集包含来自PDF的3500亿+教育性标记,覆盖69种语言。该数据集是通过从FinePDFs数据集中筛选教育性PDF创建的,使用了基于Qwen3-235B-A22B-Instruct-2507生成注释的教育质量分类器进行筛选。数据集在流行的基准测试中表现优于FinePDFs,并且是全局去重的。数据集遵循ODC-By许可协议。

The FinePDFs-Edu dataset consists of 350B+ tokens of educational PDFs filtered from the FinePDFs dataset, covering 69 languages. It was created using an educational quality classifier based on annotations generated by Qwen3-235B-A22B-Instruct-2507. The dataset outperforms FinePDFs on popular benchmarks and is globally deduplicated. It is released under the ODC-By license.

提供机构:
Web3Survivor
二维码
社区交流群
二维码
科研交流群
商业服务