Hugging Face 发布 Pile Uncopyrighted Dataset 数据集, 应用在 自然语言处理、机器学习 领域

Hugging Face 本次发布的数据集 Pile Uncopyrighted Dataset, 该数据集是从Pile非版权数据集中随机选取的一个子集，用于训练稀疏自编码器，以评估Matryoshka SAEs和TopK SAEs的性能。该数据集包含非版权文本，在语言表示和建模的背景下用于训练模型。其规模达到5000万个标记，所涉及的任务是语言建模。

查看Pile Uncopyrighted Dataset

Dataset card 内容： 

Files and versions 内容： 

关于 Hugging Face , Hugging Face是一家专注于自然语言处理和人工智能领域的公司，提供丰富的预训练模型和工具，支持开发者在NLP任务中快速构建和部署高效的解决方案。

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。