RedPajama-V2

★ 重点关注

RedPajama-V2

发布方 Together AI 发布 2023-10 规模 30T tokens (5 语言)

预训练语料单一数据集全球商用友好 pretrain

来源描述

Llama 训练数据复刻 + 扩展，含质量分数 + 重复检测

Apache 2.0

近 30 天下载

14.8K

426

30T token / 5 语种，带 40+ 种预计算质量信号。它的用法和别人不一样：不一定要用它训练，而是拿它那批质量信号去验证你自己的过滤规则。

CommonCrawl 重新过滤的高质 web 语料，质量比肩 Llama-3 私有数据

FineWeb 中教育相关高分子集，下游 benchmark 显著提升

DataComp-LM 公开 baseline 数据，与 FineWeb 对位竞争

OLMo 模型的开源预训练语料，多源混合 + 全链路开放

提供了大量的网页爬取数据，可用于语言模型的训练。

由多个数据集组成的大型语言模型训练数据集，涵盖多种文本类型。

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。