五号数据雷达

AI Sweden 本次发布的数据集 Scandinavian WEb (SWEb), Scandinavian WEb (SWEb) 是由AI Sweden创建的迄今为止最大的斯堪的纳维亚语言预训练数据集，包含超过一万亿个Tokens。该数据集通过98个Common Crawl快照运行，采用了一种新的基于模型的文本提取器，显著降低了复杂性。SWEb不仅用于语言模型的预训练，还引入了一个新的瑞典语完形填空式基准测试，用于评估语言模型。该数据集的应用领域主要集中在斯堪的纳维亚语言的处理和语言模型的改进上，旨在解决现有数据集规模较小的问题。

查看Scandinavian WEb (SWEb)

Dataset card 内容： 

Files and versions 内容： 

关于 AI Sweden , AI Sweden 是一个专注于人工智能研究和应用的瑞典国家倡议，旨在推动AI技术的发展和应用，促进跨领域的合作和创新。

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。