--- annotations_creators: - crowdsourced - expert-generated - machine-generated language: - amh - arb - ary - ars - acq - arz - apc - ben - ceb - dan - deu - ell - eng - eus - fil - fin - fra - gle -

Hugging Face2026-03-22 更新70

openeurollm/orca-agentinstruct-1M-v1-decontaminated

合成指令数据生成

指令微调

--- language: - en license: cdla-permissive-2.0 size_categories: - 1M<n<10M task_categories: - question-answering dataset_info: features: - name: messages list: - name: content dtype

Hugging Face2026-03-29 更新70

openeurollm/contaminated-documents

自然语言处理

文档污染

--- dataset_info: config_name: nemotron_sample features: - name: warc_record_id dtype: string - name: file_part dtype: string - name: benchmark dtype: string - name: matched_ng

Hugging Face2025-11-25 更新110

openeurollm/propella-annotations

文本注释

数据处理

propella annotations数据集包含由propella-1-4b模型生成的多语言文档注释，覆盖六个主要类别：核心内容、分类、质量与价值、受众与目的、安全与合规、地理相关性。这些注释可用于大规模筛选、选择和整理LLM训练数据。数据集包含多个子集，如fineweb-2、finepdfs、hplt-3等，每个子集都有详细的注释数量和语言分布。数据集还提供了使用示例、许可证信息（CC-BY-

Hugging Face2026-05-17 更新70

openeurollm/battle-annotations

资源简介：

相关数据集