Chinese Fineweb Edu 高质量教育中文预训练语料数据集已完整同步

使用这个数据集

REST 可获取元数据、文件分页和有限记录样例。

查看元数据

curl -sS 'https://dataset.wehub.plus/v2/datasets/ds_opencsg_chinese_fineweb_edu_a178382405'

列出文件

curl -sS 'https://dataset.wehub.plus/v2/datasets/ds_opencsg_chinese_fineweb_edu_a178382405/files?version=760aea5cd527c8f82261ffc6656f239a6696aa9f&limit=20&offset=0'

读取样例记录

curl -sS 'https://dataset.wehub.plus/v2/files/d3955e4f-ba87-e63f-91b7-a70326c67899/records?format=ndjson&limit=20'

用 CLI 下载

wehub datasets download ds_opencsg_chinese_fineweb_edu_a178382405 --revision 760aea5cd527c8f82261ffc6656f239a6696aa9f --output ./ds_opencsg_chinese_fineweb_edu_a178382405

下载需要登录；CLI 复用 wehub auth login 的凭证，并为每个文件申请有时效的授权链接。

前置要求

需要 Node.js 18 及以上，以及 npm（或 npx）。

1. 安装 CLI

npm install -g wehub-cli@latest

2. 下载此数据集

wehub datasets download ds_opencsg_chinese_fineweb_edu_a178382405 --revision 760aea5cd527c8f82261ffc6656f239a6696aa9f --output ./ds_opencsg_chinese_fineweb_edu_a178382405

若中断或部分失败，在同一目录重新执行同一命令即可续传。默认会校验 SHA-256。

免全局安装

npx --yes wehub-cli@latest datasets download ds_opencsg_chinese_fineweb_edu_a178382405 --revision 760aea5cd527c8f82261ffc6656f239a6696aa9f --output ./ds_opencsg_chinese_fineweb_edu_a178382405

高级选项

以下为 wehub datasets download 已支持的参数示例：

强制重新下载，不复用已校验的本地文件

wehub datasets download ds_opencsg_chinese_fineweb_edu_a178382405 --revision 760aea5cd527c8f82261ffc6656f239a6696aa9f --output ./ds_opencsg_chinese_fineweb_edu_a178382405 --overwrite

仅包含匹配路径

wehub datasets download ds_opencsg_chinese_fineweb_edu_a178382405 --revision 760aea5cd527c8f82261ffc6656f239a6696aa9f --output ./ds_opencsg_chinese_fineweb_edu_a178382405 --include "*.jsonl"

排除匹配路径

wehub datasets download ds_opencsg_chinese_fineweb_edu_a178382405 --revision 760aea5cd527c8f82261ffc6656f239a6696aa9f --output ./ds_opencsg_chinese_fineweb_edu_a178382405 --exclude "*.md"

提高并发下载数

wehub datasets download ds_opencsg_chinese_fineweb_edu_a178382405 --revision 760aea5cd527c8f82261ffc6656f239a6696aa9f --output ./ds_opencsg_chinese_fineweb_edu_a178382405 --jobs 8

完整帮助：wehub datasets download --help