agentlans/mlabonne-open-perfectblend

Name: agentlans/mlabonne-open-perfectblend
Creator: agentlans
Published: 2025-12-20T02:52:57+08:00

Hugging Face2025-12-15 更新2025-12-20 收录

数据链接：

https://hf-mirror.com/datasets/agentlans/mlabonne-open-perfectblend 数据链接链接失效反馈

官方服务：

资源简介：

--- license: apache-2.0 ---

许可证：Apache许可证2.0（Apache-2.0）

提供机构：

agentlans

agentlans/PleIAs-ToxicCommons

文本分类

历史偏见分析

PleIAs/ToxicCommons数据集是一个经过优化的版本，专注于标记历史文本中可能违反现代标准的内容（数据集创建者认为的“有毒”内容）。清洗后的数据集包含1,051,027行，每行代表一个文本样本，包含五个维度的毒性分数：基于种族和起源的偏见、基于性别和性取向的偏见、宗教偏见、能力偏见以及暴力和虐待。分数及其总和被提供在不同的列中，便于分析。数据集经过去重、排除高比例数字和符号的文本、仅包

Hugging Face2025-02-23 更新180

agentlans/ytz20-LMSYS-Chat-GPT-5-Chat-Response

文本生成

视觉语言模型

--- license: cc-by-4.0 task_categories: - text-generation - text-classification language: - en tags: - gpt5 - lmsys - chat --- # ytz20/LMSYS-Chat-GPT-5-Chat-Response Dataset This is a reformatted, un

Hugging Face2025-11-17 更新110

agentlans/c4-en-lowercased

自然语言处理

文本分析

c4-en-lowercase数据集是C4数据集英文配置的125,000行子集，包含原始文本和小写文本。该数据集可用于研究大小写模式、文本归一化和不区分大小写的文本分析。

Hugging Face2025-01-19 更新100

agentlans/readability

可读性

文本分类

该数据集包含约200,000个段落和可读性指标，来源包括HuggingFace的Fineweb-Edu、Ronen Eldan的TinyStories、Wikipedia-2023-11-embed-multilingual-v3（仅英文）和ArXiv Abstracts-2021。每个段落的字符数在50到2000之间。数据格式为JSON，每行代表一个段落，包含文本及其对应的可读性等级。可读性等级

Hugging Face2024-06-20 更新170

agentlans/ocr-correction

光学字符识别

文本校正

该数据集包含从互联网档案馆获取的英文书籍和报纸的OCR校正文本样本，提供了原始OCR文本和AI校正后的文本对，专为OCR校正任务设计。数据集结构包括训练集、验证集和总样本数。创建过程涉及使用自定义的Llama 3.1 8B模型进行校正，并过滤了输入和输出长度相似的样本。使用数据时需注意文本长度、数字准确性、间距问题和AI生成的内容等限制。数据集旨在提升OCR技术，促进历史文本的访问和文化遗产的保护

Hugging Face2024-12-11 更新110

agentlans/mlabonne-open-perfectblend

资源简介：

相关数据集