遇见数据集

scilons/SciLaD-all-markdown-v1

收藏
Hugging Face2026-05-10 更新2026-05-31 收录
官方服务:

资源简介:

SciLaD是一个新颖、大规模的科学语言数据集,完全基于开源框架和公开可用的数据源构建。它包含一个经过整理的英文部分,涵盖超过1000万篇科学出版物,以及一个多语言、未过滤的TEI XML部分,包括超过3500万篇出版物。我们还发布了用于生成SciLaD的可扩展管道。

SciLaD is a novel, large-scale dataset of scientific language constructed entirely using open-source frameworks and publicly available data sources. It comprises a curated English split containing over 10 million scientific publications and a multilingual, unfiltered TEI XML split including more than 35 million publications. We also publish the extensible pipeline for generating SciLaD.

提供机构:
scilons
二维码
社区交流群
二维码
科研交流群
商业服务