ELRC Dataset

kaggle2025-04-14 更新2025-06-07 收录

低资源自然语言处理

语言模型训练

数据链接：

https://www.kaggle.com/datasets/teddylegessemunea/elrc-dataset 数据链接链接失效反馈

官方服务：

资源简介：

Ethiopian Languare Research Center (ELRC) dataset 29535 training sentences

埃塞俄比亚语言研究中心（Ethiopian Languare Research Center, 简称ELRC）数据集29535训练句子

创建时间：

2025-04-14

Slowblood/guanaco-llama2-1k

指令数据集

语言模型训练

--- dataset_info: features: - name: text dtype: string splits: - name: train num_bytes: 1654448 num_examples: 1000 download_size: 966693 dataset_size: 1654448 configs: - config

Hugging Face2023-10-19 更新210

anhnv125/ud_alpaca2

自然语言处理

语言模型训练

--- dataset_info: - config_name: be_hse features: - name: instruction dtype: string - name: input dtype: string - name: output dtype: string splits: - name: train num_bytes

Hugging Face2024-03-13 更新160

LsTam/opus_instruction_format

机器翻译

语言模型训练

--- dataset_info: features: - name: instruction dtype: string - name: input dtype: string - name: output dtype: string splits: - name: train num_bytes: 30938408 num_exa

Hugging Face2023-05-04 更新50

drodin/TextBooksPersonaHub

语言模型训练

内容生成

TextBooksPersonaHub数据集是proj-persona/PersonaHub数据集的扩展，使用Qwen2-72B-Instruct模型生成与特定人物相关的教科书式段落。每个条目包含原始人物描述和生成的内容。数据集旨在用于训练语言模型、研究人物驱动的内容生成以及探索教科书质量数据在语言模型训练中的有效性。

Hugging Face2024-07-21 更新200

dignity045/Collective-Corpus

自然语言处理

语言模型训练

Collective-Corpus是一个超过5000亿token的大规模多语种数据集，设计用于从头开始训练Transformer语言模型，并在多个领域进行微调。它包括大规模、多样化的多语种文本来源，经过清洗、去重和过滤以保证质量。数据集旨在涵盖从原始预训练到特定领域微调的整个语言模型生命周期。

Hugging Face2025-08-12 更新70