wiki_1m_data

kaggle2023-10-09 更新2024-03-11 收录

下载链接：

https://www.kaggle.com/datasets/kaloyep/wiki-1m-data

下载链接

链接失效反馈

官方服务：

资源简介：

创建时间：

2023-10-09

wiki1m-for-simcse

该数据集是专为SimCSE模型设计的Wikipedia文本集合，包含1,000,000条英文文本样本，总大小约为123MB。数据来源于princeton-nlp/datasets-for-simcse的重新上传版本，以解决原数据集在新版datasets库中的兼容性问题。数据集仅包含一个文本字段（'text'），存储格式为字符串，未进行去重处理。适用于句子相似度计算和特征提取等自然语言处理任务。示例

Hugging Face2026-01-28 更新200

semran1/wiki-1m

该数据集包含多个字段，如 added, created, id 等，其中 metadata 字段包含 length, provenance, revid, url 等子字段。数据集分为训练集，共有100万个示例，总大小约为5GB。具体的数据集内容和用途在README文件中未说明。

Hugging Face2025-03-03 更新70

wiki-1m-qdrant-snapshot

Wikipedia 1M — GTE 多语言嵌入数据集，包含100万条波兰语维基百科段落的768维嵌入，使用Alibaba-NLP/gte-multilingual-base模型。数据集适用于检索增强生成、混合检索器、多跳检索、语义搜索基准测试等场景。数据集以CC-BY-SA-4.0许可证发布。

Hugging Face2025-11-15 更新30

1M Wiki Corpus

该数据集包含了来自维基百科的100万个句子，主要用于训练。此外，该数据集还与无监督的SICKR数据集结合使用，以便在无监督对比学习任务中训练句子嵌入。

arXiv60

robertoviegasd/portuguese_wiki1m

--- license: mit ---