FineWeb是一个由Hugging Face提供的大规模英语网页数据集,
包含超过15万亿个经过清洗和去重的token,源自CommonCrawl。
该数据集旨在为大型语言模型(LLM)的训练提供优化的数据处理流程,并使用datatrove库进行处理。FineWeb的性能已超越了RefinedWeb等其他高质量网络数据集。
数据集许可: Open Data Commons Attribution License (ODC-By) v1.0
FineWeb是一个由Hugging Face提供的大规模英语网页数据集,
包含超过15万亿个经过清洗和去重的token,源自CommonCrawl。
该数据集旨在为大型语言模型(LLM)的训练提供优化的数据处理流程,并使用datatrove库进行处理。FineWeb的性能已超越了RefinedWeb等其他高质量网络数据集。
数据集许可: Open Data Commons Attribution License (ODC-By) v1.0