Cleaned Polish Oscar corpus (128M above lines)

B2FIND2026-04-29 收录

波斯语文本处理

语言模型训练

数据链接：

https://b2find.eudat.eu/dataset/fa53978c-3504-575b-9065-896271d60c76 数据链接链接失效反馈

官方服务：

资源简介：

Cleaned Polish Oscar corpus (part: 128M above lines, 1.93 GB). Data was prepared with a few cleaning heuristics: - remove sentences shorter than - remove non-polish...

Daniel-P-Gonzalez/OCD

语言模型训练

文本数据清理

Only Clean Data (OCD)是一个精心策划和清理的文本语料库，旨在为训练基础语言模型提供最高质量的文本数据。数据集包括从C4、PLOS和CCOpenBooks等来源筛选的文本，经过手动检查和修复，确保文本质量。目前数据集包含三个子集：经过过滤的网页数据、经过处理的同行评审研究文章以及非小说类书籍。数据集还在持续开发中，计划扩展更多领域的内容。

Hugging Face2023-12-23 更新250

mayflowergmbh/airoboros-3.0_de

德语文本生成

语言模型训练

这是一个针对[jondurbin/airoboros-3.0](https://huggingface.co/datasets/jondurbin/airoboros-3.0)数据集的德语翻译版本，数据来源于[seedboxventures/multitask_german_examples_32k](https://huggingface.co/datasets/seedboxventures/

Hugging Face2024-02-14 更新170

PersianStopWord

波斯语文本处理

停用词

Persian StopWord for Persian Text Proccessing (Farsi )

kaggle2020-09-16 更新100

drodin/TextBooksPersonaHub

语言模型训练

内容生成

TextBooksPersonaHub数据集是proj-persona/PersonaHub数据集的扩展，使用Qwen2-72B-Instruct模型生成与特定人物相关的教科书式段落。每个条目包含原始人物描述和生成的内容。数据集旨在用于训练语言模型、研究人物驱动的内容生成以及探索教科书质量数据在语言模型训练中的有效性。

Hugging Face2024-07-21 更新200

maghwa/OpenHermes-2-AR-10K-18-600k-610k

语言模型训练

对话生成数据

--- dataset_info: features: - name: topic dtype: 'null' - name: views dtype: float64 - name: category dtype: 'null' - name: avatarUrl dtype: 'null' - name: language dty

Hugging Face2024-02-15 更新160

Cleaned Polish Oscar corpus (128M above lines)

资源简介：

相关数据集