遇见数据集

SOMIL366/4D4T

收藏
Hugging Face2026-05-09 更新2026-05-31 收录
官方服务:

资源简介:

这是一个名为4D4T的数据集,是一个经过整理的约60GB语料库,分为四个平衡的领域,专门用于训练小型语言模型。四个领域包括:数学(来源于openbmb/UltraData-Math)、历史新闻(来源于allenai/c4的科学部分)、科学(来源于sentence-transformers/s2orc)和通用领域(来源于HuggingFaceFW/fineweb-edu)。每个领域的数据以JSONL.gz格式存储,便于加载和使用。

A curated ~60GB corpus split into four balanced domains for training small language models. The domains include: Math (from openbmb/UltraData-Math), History News (from allenai/c4 realnewslike), Science (from sentence-transformers/s2orc), and General (from HuggingFaceFW/fineweb-edu). Data is stored in JSONL.gz format for easy loading and usage.

提供机构:
SOMIL366
二维码
社区交流群
二维码
科研交流群
商业服务