返回数据集雷达
MADLAD-400
MADLAD-400
发布方 Google 发布 2023-09 规模 3T tokens / 419 语种
翻译与多语 单一数据集 美国 商用友好 multilingual google
访问 github.com 来源描述
Google 大规模多语 web 语料，419 语种
ODC-By 1.0
HuggingFace 实测指标
allenai/MADLAD-400 ↗近 30 天下载
214K
点赞
184
最近更新
2024-09-09
HF 授权标签
odc-by
HF 规模档 n>1T
训练阶段（本刊判断）
同领域 · 翻译与多语
FLORES-200 ★
200 语种平行评测集 (NLLB 训练 + 评测标准)
Aya Collection ★
全球 3000+ 语言学者贡献的多语 SFT 数据
WMT24 (General MT)
WMT 年度 General MT 任务评测集 · 业界翻译金标准 · 翻译模型上线前必抱
WMT 23 Bilingual
WMT23 双语训练集集合 (Europarl + News-Commentary + ParaCrawl + CommonCrawl + UN 等)
CCMatrix
从 CommonCrawl 挖掘的双射2 句对 · 迄今最大 web 挖掘平行语料
ParaCrawl v9
欧盟资助的 EU 多语种 web crawl 平行语料 (正式社区最大之一)
领域、训练阶段、用途、License 分级与本刊判断由本刊维护； 下载量 / 点赞 / 更新时间 / 实测规模来自 HuggingFace Hub 官方 API 与 datasets-server，每周自动刷新。 规模、许可证与商用授权最终请以 原站 为准。