--- dataset_info: features: - name: instruction dtype: string - name: input dtype: string - name: id dtype: string - name: output dtype: string splits: - name: train

Hugging Face2026-04-18 更新100

Nemotron-Pretraining-SFT_translated

斯洛文尼亚语机器翻译

低资源语言模型训练

本数据集是Nemotron Pretraining SFT数据的斯洛文尼亚语翻译版本，源数据取自nvidia/Nemotron-Pretraining-SFT-v1数据集的Nemotron-SFT-General子集，并进行了子采样。使用cjvt/GaMS-DPO-Translator模型进行自动翻译，包含约90万个文档，翻译后的斯洛文尼亚语文本约含8.89亿单词。每个样本包含以下字段：id（保留

Hugging Face2026-07-21 更新50

mozhi-ai/tamil-corpus

泰米尔语

低资源语言模型训练

mozhi-ai泰米尔语料库是一个持续更新的高质量泰米尔语言数据集，专门用于大型语言模型（LLM）的训练。该语料库收集了来自古典文学、维基百科、新闻和网络来源的文本，涵盖了多种领域和语言寄存器。数据集包含8,682个文档，总计4,958,322个字符和553,762个单词，经过严格的语言检测、Unicode标准化、去重和质量过滤处理。每个文档都标注了来源、许可证、收集日期、内容领域、语言寄存器、文

Hugging Face2026-04-25 更新100

NaijaT5 corpus

尼日利亚英语NLP

低资源语言模型训练

NaijaT5 corpus used to create https://huggingface.co/Uphando-ng/naija-t5-base

Zenodo2025-01-02 更新60