Beijing Academy of Artificial Intelligence 发布 IndustryCorpus_ai 数据集, 应用在 行业数据、模型训练 领域

Beijing Academy of Artificial Intelligence 本次发布的数据集 IndustryCorpus_ai, 该数据集是为了解决行业模型训练数据集存在的问题而构建的，包含3.4TB的高质量多行业分类的中英文预训练数据，其中1TB为中文数据，2.4TB为英文数据。数据集涵盖18个行业类别，包括医疗、教育、文学、金融等，并对中文数据进行了12种类型的标签标注。数据处理包括22个行业数据处理操作符的应用，基于规则和模型的过滤，以及文档级别的去重处理。

查看IndustryCorpus_ai

Dataset card 内容： 

Files and versions 内容： 

关于 Beijing Academy of Artificial Intelligence , 智源研究院（BAAI）是中国顶尖的人工智能研究机构，致力于推动AI基础理论与应用创新。

关于 HuggingFace , Hugging Face是一个机器学习社区协作平台，专注于模型、数据集和应用程序的创建、发现和协作。该平台支持多种数据类型，包括文本、图像、视频、音频和3D数据，并提供开源工具和付费计算及企业解决方案。