The Pile

★ 重点关注

The Pile

预训练语料单一数据集美国不明研究数据英文资源

来源描述

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。

近 30 天下载

12.3K

122

开源社区第一次系统性地把「语料配比」当成设计对象：22 个子集、显式权重、可复现清单。它的具体配比今天已被 FineWeb / Dolma 一类后继者超越，但它确立的「配比可声明、可审计」的做法留下来了。

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

Llama 训练数据复刻 + 扩展，含质量分数 + 重复检测

提供了大量的网页爬取数据，可用于语言模型的训练。

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。