mC4 发布 mC4 数据集, 应用在 自然语言处理、诗歌生成 领域

mC4 本次发布的数据集 mC4, 该数据集是一个大规模的多语种数据集，其中700GB的子集被用于训练一个变压器模型，以生成西班牙语诗歌。这个子集是该大型多语种语料库的一部分，其规模达到了700GB，所承担的任务是进行无监督的西班牙语诗歌生成。

查看mC4

README 内容： 

关于 arXiv , arXiv 是一个免费分发服务和开放获取的学术文章档案库，涵盖了物理学、数学、计算机科学、定量生物学、定量金融、统计学、电气工程和系统科学以及经济学等领域。该网站上的材料并未经过 arXiv 的同行评审。