Open-source community 发布 Korean and English Pretraining Corpus 数据集, 应用在 自然语言处理、机器学习 领域

Open-source community 本次发布的数据集 Korean and English Pretraining Corpus, 该数据集是一个平衡的韩英文本语料库，旨在为双语大型语言模型优化模型训练。该语料库包含了来自多个来源的数据，特别注重减轻有害内容并保持结构完整性，以提高模型性能。其规模达到数太字节，任务是对双语语言模型进行预训练。

查看Korean and English Pretraining Corpus

Dataset card 内容： 

Files and versions 内容： 

关于 Open-source community , -

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。