SmolLM Project 发布 SmolLM corpus 数据集, 应用在 自然语言处理、语言模型 领域

SmolLM Project 本次发布的数据集 SmolLM corpus, 该数据集是一个用于训练语言模型的庞大文本数据集，涵盖了广泛的主题内容。此外，它还包含了数学和代码数据，以确保在处理文本时能够保持其相关能力。该数据集的任务是对文本进行处理。

查看SmolLM corpus

Dataset card 内容： 

Files and versions 内容： 

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。