数据集

1 个数据集

热门分类：

自然语言处理 12 计算机视觉 1 语音识别 4 基准测试 2 数学 1 机器人操作 34 gitattributes 19 家庭场景 16 文本生成 16 md 12 抓取与放置 12 模仿学习 11 大语言模型 9 数学推理 9 代码生成 8 厨房场景 7 mp4 6 强化学习 6 问答 6 HDF5数据 5 py 5 多模态理解 5 文本转语音 5 机器人学习 5

已选筛选：自然语言处理 PARQUET Apache License 2.0 清除所有筛选

EleutherAI/the_pile_deduplicated 可在线预览已完整同步

这个数据集是经过去重处理的大规模文本语料库，涵盖多种内容类型，包括结构化文本、纯文本、列式数据及二进制文件。数据以 Parquet、JSON 和 Markdown 等格式提供，适用于训练语言模型等自然语言处理任务。该数据集采用 Apache 2.0 许可证。

GITATTRIBUTESJSONMDPARQUET Apache License 2.0 420 GiB 1653 个文件 WeHub 同步于 2026-08-20 09:35:53 +00:00