Fineweb-Edu-Chinese-V2.2

Chinese Fineweb Edu Dataset V2.2 提供高质量的中文教育领域数据，旨在解决中文开源社区中高质量教育语料稀缺的问题。它包含143.7万条指令-输出形式的问答对，其中纯问答对数据占用3.4GB，含原始上下文的数据占用14.6GB；此外，还提供了总计约1.5万亿Tokens的预训练语料，按质量分为三个等级，总计约2.27TB。这些数据通过OpenCSG自研打分器对大规模中文教育语料进行质量筛选，并利用DeepSeek V3.2模型从最优质的语料中蒸馏生成问答对，确保了回答内容的事实准确性。该数据集主要支持大模型的预训练、指令微调、问答生成和文本生成等任务。其授权许可遵循OpenCSG社区许可和Apache 2.0协议，支持商业用途，但商业使用需进行报备并获取许可。