Logo
Project Icon

ChineseWebText

大规模中文网络文本数据集及其评估工具链

ChineseWebText高质量中文数据集网页文本处理自然语言处理数据评估模型Github开源项目

ChineseWebText是一个大规模中文网络文本数据集，总容量达1.42TB，每条文本均附带质量评分。该项目还提供了一个600GB的高质量子集，文本质量均超过90%。项目包含EvalWeb工具链，用于从原始网络数据中提取优质中文文本。EvalWeb通过数据准备、预处理和BERT评估模型对文本质量进行筛选和评估。此外，项目还开发了基于FastText的快速分类器，在保持性能的同时提高了处理效率。

GithubGithubHuggingfaceHuggingface论文论文
介绍相关项目
chinese-llm-benchmark - 中文大模型性能基准测试与排行榜
CLiBGithub中文大模型开源模型开源项目能力排行评测榜单
项目持续更新,目前已评测113个中文大模型,包括GPT-4、文心一言、通义千问等商用模型和百川、Qwen、GLM等开源模型。评测维度全面,涵盖分类、信息抽取、阅读理解、数据分析、中文编码效率等。提供综合能力和细分能力排行榜,并开放原始评测数据。为选择和研究中文大模型提供客观依据。
Chinese-CLIP - 中文多模态嵌入和检索性能优化的领先方案
Chinese-CLIPGithub图文特征提取开源项目模型下载跨模态检索零样本图像分类
Chinese-CLIP项目，基于大规模中文图文对数据，专门针对中文领域的特点进行优化，提供高效的图文特征计算与相似度测算，实现零样本分类和跨模态检索。该项目改进了多个模型，包括ViT与ResNet结构，并在多个公开数据集上展示了显著的性能提升，为中文处理场景下的企业和研究者提供强大工具。
LLMDataHub - 大语言模型训练数据集合
GithubLLMDataHub大语言模型开源社区开源项目数据集聊天机器人
LLMDataHub汇聚高品质大语言模型训练数据，为研究人员和从业者提供丰富的数据资源。该平台涵盖多种数据集，适合提升聊天机器人对话质量、应答生成及语言理解。同时，平台更新最新数据集，助您获取行业前沿资源。
EvaluationPapers4ChatGPT - ChatGPT等大型语言模型评估资源库
ChatGPTGithub大语言模型开源项目性能测试自然语言理解评估
EvaluationPapers4ChatGPT项目是一个综合性资源库，专注于评估ChatGPT等大型语言模型的性能。该项目汇集了丰富的数据集、评估论文和检测工具，涵盖自然语言理解、伦理偏见、长文本摘要和推理能力等多个领域。研究人员可借此深入分析ChatGPT的能力范围及其在不同任务中的表现。项目不断更新，反映了语言模型评估领域的最新发展动态。
chinese-roberta-wwm-ext-large - 中文自然语言处理的全词掩码预训练模型
BERTGithubHuggingface中文自然语言处理全词掩码开源项目模型知识蒸馏预训练模型
中文BERT全词掩码预训练模型加速中文自然语言处理，提升精准语义理解。基于Google BERT并结合全词掩码策略，其在文本分类、情感分析以及问答系统等多种NLP应用中表现优异，是探索中文语言理解的有力工具。
MNBVC - MNBVC大规模中文语料集：覆盖多样类型数据支持开源社区
GithubMNBVChuggingface中文语料集开源社区开源项目数据清洗
MNBVC中文语料集由MOP里屋社区发起，目标是创建最大的中文互联网语料集，涵盖新闻、小说、论文等多种类型数据。当前数据量为34582GB，最终目标为40TB。MNBVC提供多种文件格式的数据，包括txt、json、jsonl和parquet，并配备一系列优化工具及爬虫代码协助数据处理。项目欢迎有技术背景的志愿者参与，提升数据清洗效率。访问Wiki了解更多信息。
ToolQA - 评估工具增强型大语言模型的开源数据集
GithubToolQA大语言模型工具增强开源项目数据集评估基准
ToolQA是一个开源数据集，专门用于评估工具增强型大语言模型。数据集涵盖8个领域，包含需要综合使用多个工具解答的问题，分为简单和困难两个级别。ToolQA通过人机协作创建，提供了数据统计、下载链接、工具实现和基准代码，为研究人员评估和改进大语言模型的外部工具使用能力提供全面资源。
HarvestText - 开源文本处理和分析工具，支持无监督方法和领域知识整合
GithubHarvestTextPython开源项目文本预处理无监督方法自然语言处理
HarvestText 是一个开源文本处理与分析工具，专注于无（弱）监督方法，能够整合领域知识，高效处理和分析特定领域文本。主要功能包括精细分词、文本清洗、实体链接、命名实体识别和依存句法分析等，并支持情感分析、关系网络构建、文本摘要及信息检索等高级应用。广泛应用于小说分析、网络文本及专业文献处理，具备高效灵活的特点。
text2vec - 多模型文本向量化工具，支持多语言文本匹配分析
BERTGithubText2vec开源项目文本向量化文本相似度模型训练
text2vec工具实现了多种文本向量表示和相似度计算模型，如Word2Vec、BERT、Sentence-BERT和CoSENT。最新版本增加了多卡推理和命令行工具，方便用户批量处理文本向量化。它在中英文测试集上的表现优秀，尤其新版中文匹配模型在短文本区分上有显著提升。该工具为中文和多语言文本匹配提供了丰富的支持，能够满足各种文本语义分析任务的需求。
RedPajama-Data - 开放大规模多语言数据集助力大型语言模型训练
GithubRedPajama-Data-v2大语言模型开放数据集开源项目数据质量自然语言处理
RedPajama-Data-v2是一个包含30万亿tokens的开放数据集，用于训练大型语言模型。该数据集涵盖了超过100B的文本文档，来源于84个CommonCrawl快照。它包含英语、德语、法语、意大利语和西班牙语5种语言的内容，并提供多种质量信号和去重处理。项目提供完整的数据处理流程，包括准备工件、计算质量信号和去重等步骤，为语言模型研究提供高质量的大规模语料资源。
相关项目
项目侧边栏1项目侧边栏2
推荐项目
Project Cover

豆包MarsCode

豆包 MarsCode 是一款革命性的编程助手，通过AI技术提供代码补全、单测生成、代码解释和智能问答等功能，支持100+编程语言，与主流编辑器无缝集成，显著提升开发效率和代码质量。

Project Cover

AI写歌

Suno AI是一个革命性的AI音乐创作平台，能在短短30秒内帮助用户创作出一首完整的歌曲。无论是寻找创作灵感还是需要快速制作音乐，Suno AI都是音乐爱好者和专业人士的理想选择。

Project Cover

有言AI

有言平台提供一站式AIGC视频创作解决方案，通过智能技术简化视频制作流程。无论是企业宣传还是个人分享，有言都能帮助用户快速、轻松地制作出专业级别的视频内容。

Project Cover

Kimi

Kimi AI助手提供多语言对话支持，能够阅读和理解用户上传的文件内容，解析网页信息，并结合搜索结果为用户提供详尽的答案。无论是日常咨询还是专业问题，Kimi都能以友好、专业的方式提供帮助。

Project Cover

阿里绘蛙

绘蛙是阿里巴巴集团推出的革命性AI电商营销平台。利用尖端人工智能技术，为商家提供一键生成商品图和营销文案的服务，显著提升内容创作效率和营销效果。适用于淘宝、天猫等电商平台，让商品第一时间被种草。

Project Cover

吐司

探索Tensor.Art平台的独特AI模型，免费访问各种图像生成与AI训练工具，从Stable Diffusion等基础模型开始，轻松实现创新图像生成。体验前沿的AI技术，推动个人和企业的创新发展。

Project Cover

SubCat字幕猫

SubCat字幕猫APP是一款创新的视频播放器，它将改变您观看视频的方式！SubCat结合了先进的人工智能技术，为您提供即时视频字幕翻译，无论是本地视频还是网络流媒体，让您轻松享受各种语言的内容。

Project Cover

美间AI

美间AI创意设计平台，利用前沿AI技术，为设计师和营销人员提供一站式设计解决方案。从智能海报到3D效果图，再到文案生成，美间让创意设计更简单、更高效。

Project Cover

AIWritePaper论文写作

AIWritePaper论文写作是一站式AI论文写作辅助工具，简化了选题、文献检索至论文撰写的整个过程。通过简单设定，平台可快速生成高质量论文大纲和全文，配合图表、参考文献等一应俱全，同时提供开题报告和答辩PPT等增值服务，保障数据安全，有效提升写作效率和论文质量。

使用协议隐私政策广告服务
投诉举报邮箱: service@vectorlightyear.com
@2024 懂AI·鲁ICP备2024100362号-6·鲁公网安备37021002001498号