infCapital/vnnews_corpus_100K

该数据集是从BinhVQ vnnews语料库中提取的，并随机选择了10%用于较小的持续预训练越南语LLM。数据集包含标题、摘要、类别、标签、发布时间、来源和内容等特征，主要用于文本生成任务。数据集大小为5061759896字节，包含1395443个训练样本。

原始信息汇总

数据集概述

语言

• 越南语 (vi)

许可证

• Apache 2.0

数据集规模

• 大小范围：100K < n < 1M

任务类别

• 文本生成

数据集信息

特征

• title: 字符串类型
• sapo: 字符串类型
• cate: 字符串类型
• tags: 字符串类型
• publish: 字符串类型
• source: 字符串类型
• content: 字符串类型

数据分割

• train:
  • 字节数: 5061759896
  • 样本数: 1395443

下载和数据集大小

• 下载大小: 2178488132 字节
• 数据集大小: 5061759896 字节

配置

• config_name: default
  • 数据文件:
    • 分割: train
    • 路径: data/train-*

数据来源

• 从 BinhVQ vnnews 语料库提取，随机选择 10% 用于较小的越南语 LLM 持续预训练