Hugging Face 发布 GigaVerbo 数据集, 应用在 自然语言处理、葡萄牙语 领域

Hugging Face 本次发布的数据集 GigaVerbo, 该数据集名为GigaVerbo，它是由去重的葡萄牙语文本语料库拼接而成，总词量达到2000亿个词元，旨在支持葡萄牙语神经文本生成的发展。该数据集不仅包含了一个高质量的文本数据集，该数据集是利用GPT-4o对文本样本进行评分创建的，而且还经过了筛选，以确保内容的高质量。在规模上，该数据集包含了780GB的文本，超过1.45亿个文档。其任务是对葡萄牙语言的文本生成和质量评估。

查看GigaVerbo

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。