发布 openwebtext2 数据集, 应用在 自然语言处理、文本数据集 领域

本次发布的数据集 openwebtext2, 这是一个OpenWebText2数据集的清理版本，移除了非英语、重复、受版权保护以及低质量（如过短、包含过多特殊字符等）的样本。数据集还针对多个基准测试进行了去污染处理，确保与这些测试集的n-gram重叠被移除。数据集包含13,187,538个样本，下载的parquet文件大小为34G。

查看openwebtext2

Dataset card 内容： 

Files and versions 内容： 

关于 , 国庆学校是一所位于中国的教育机构，专注于提供基础教育服务。学校致力于培养学生的综合素质，注重学术与品德的全面发展。

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。