ClassiCC-Corpus/curio-rewrite-edu-dataset

该数据集名为Curio Rewrite — Educational，包含葡萄牙语网页文本（从ClassiCC数据集中筛选出的教育子集），这些文本由Qwen2.5-7B-Instruct模型根据四种提示风格进行重写，用于训练Curio重写模型。数据集分为四个配置：easy（使用简单词汇、适合儿童的改写）、medium（中等程度的改写）、hard（复杂改写）和qa（重新格式化为问答形式），每个配置包含7,777,128行数据，源文档相同但重写风格不同。字段包括原始文本、文档ID、元数据、提示、提示类型、聚类ID、类别标签和重写文本。Portuguese web texts (educational subset, filtered from ClassiCC) rewritten by Qwen2.5-7B-Instruct under four prompt styles. Used to train the Curio rewrite models. Each config holds the same source documents with a different rewrite style: easy (simple vocabulary, child-friendly paraphrase), medium (moderate paraphrase), hard (sophisticated paraphrase), and qa (reformatted as question/answer), with 7,777,128 rows each.