雪花科技 发布 CCpdf 数据集, 应用在 多语言文档处理、机器学习预训练 领域

雪花科技 本次发布的数据集 CCpdf, CCpdf数据集是由雪花科技和亚当密茨凯维奇大学合作创建的，旨在从互联网上的PDF文件中构建一个大规模、多样化的多语言文档语料库。该数据集包含1450万页PDF文件，覆盖11种不同语言，主要来源于2010年至2022年间的文档。创建过程中，研究团队分析了多种处理技术，以平衡数据质量、处理时间和成本。CCpdf数据集特别适用于2D语言模型的预训练，有助于提升模型在多语言和多领域文档理解方面的性能。

查看CCpdf

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。