Data statistics per language for sub-task 1: Genre detection.

Figshare2024-05-03 更新2026-04-28 收录

文本体裁检测

多语言文本

数据链接：

https://figshare.com/articles/dataset/Data_statistics_per_language_for_sub-task_1_Genre_detection_/25747257 数据链接链接失效反馈

官方服务：

资源简介：

Data statistics per language for sub-task 1: Genre detection.

创建时间：

2024-05-03

Massive Image Embedding Benchmark (MIEB)

自然语言处理

多语言文本

MIEB是由Durham University等机构创建的大型图像嵌入基准数据集，包含38种语言的130个任务，分为8个高级类别。数据集内容涵盖了从聚类到视觉问答等多种任务，要求模型在图像和文本嵌入方面有广泛的能力。创建过程中，特别关注了需要强视觉理解文本的任务，如视觉STS和文档理解。MIEB的应用领域广泛，旨在推动自然融合的图像文本嵌入模型的发展。

arXiv2025-04-15 更新640

ryzzlestrizzle/multi-wiki-clustering-p2p

多语言文本

数据聚类

--- license: cc-by-4.0 configs: - config_name: bs data_files: - split: test path: bs/test.jsonl.gz - config_name: ca data_files: - split: test path: ca/test.jsonl.gz - config_name: cs

Hugging Face2024-04-22 更新110

Ba2han/test-dataset-tokenized

多语言文本

自然语言处理

这是一个由个人抓取的私人数据和公开可用数据混合而成的高质量数据集，大小约为600M tokens，包含严格少于600个tokens的土耳其语和英语。在使用该数据集进行训练时，请标明引用。

Hugging Face2025-07-16 更新90

zenless-lab/alt

机器翻译

多语言文本

该数据集是一个包含英语和日语文本对的多语言数据集，适用于训练机器翻译模型。数据集包含多个配置版本，每个版本都有唯一的标识符、英语文本和日语文本，并且分为训练集和测试集。

Hugging Face2024-12-20 更新150

MultilingualUnigramLM/FineWeb2-10K

多语言文本

自然语言处理

--- configs: - config_name: afr_Latn data_files: - split: train path: data/afr_Latn-*.parquet - config_name: als_Latn data_files: - split: train path: data/als_Latn-*.parquet - config_

Hugging Face2026-01-18 更新100

Data statistics per language for sub-task 1: Genre detection.

资源简介：

相关数据集