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
evalverse - 开源大语言模型评估工具集
AI研究EvalverseGithubLLM评估开源项目评估报告
Evalverse是一个开源的大语言模型评估工具集，提供统一、标准化的评估解决方案。支持多种评估方法，可无代码进行评估并生成报告。通过子模块扩展评估能力，集成lm-evaluation-harness和FastChat等框架。生成的详细报告包含分数、排名和可视化，便于比较不同模型性能。适用于AI研究人员及LLM领域新手。
GPT2-Chinese - GPT2-Chinese：支持多种中文Token化和大规模语料训练
BERT分词器GPT2-ChineseGithubHuggingface中文语言模型开源项目预训练模型
GPT2-Chinese项目提供了适用于中文的GPT2训练代码，支持BERT和BPE Tokenizer，能够生成诗词、新闻、小说等内容，适用于大规模语料训练。该项目基于Pytorch实现，支持最新的预训练模型，如通用中文模型和古诗词模型。详细的模型信息可以在Huggingface Model Hub中找到。用户可以自行训练和生成文本，同时支持FP16和梯度累积。
gpt2_chinese - 使用15G中文语料和31亿tokens完成GPT2训练教程
GithubHuggingfacegpt2transformerszero_nlp中文开源项目模型训练
该项目使用15G中文语料和31亿个tokens，在单张3090显卡上运行60多小时，成功训练出中文版本的GPT2模型。项目提供教程指导如何使用transformers库实现中文文本生成。
LongBench - 双语长文本理解多任务评估
GithubLongBench多语言大模型开源项目评估长文本理解
LongBench首次为大语言模型的长文本理解能力提供双语、多任务的全面评估基准。它覆盖中文和英文，包含六大类共21种任务，适用于单文档QA、多文档QA、摘要提取、少样本学习、合成任务和代码补全等场景。该项目提供自动化评估方法以降低成本，并涵盖平均长度为5k至15k的测试数据。同时，LongBench-E测试集通过统一采样，分析模型在不同输入长度的性能表现。
OCR_DataSet - 综合OCR数据集资源库及工具集
Github图像标注开源项目数据集文字识别深度学习计算机视觉
OCR_DataSet项目整合了13个知名的多语言OCR数据集，涵盖ICDAR2015、MLT2019和COCO-Text_v2等。项目特色包括数据格式统一化、便捷的百度网盘下载、详尽的数据集信息表和简化的读取脚本。此外，项目还提供了数据生成工具链接，为OCR领域的研究和开发工作提供了全面的资源支持。
Webtap.ai - AI赋能的网页数据抓取平台 实现无限制数据获取
AIAI工具Webtap数据采集网页抓取自然语言查询
Webtap.ai是一个创新的网页数据抓取平台，通过先进的AI技术实现全面的网页数据获取。平台支持自然语言查询，无需编码即可抓取数据。其功能包括自动解决验证码、数据识别转换、适应网站变化等，提供全方位的数据抓取解决方案。Webtap.ai支持多种数据导出格式，未来还将推出API接口，为用户带来灵活高效的数据获取体验。
WanJuan1.0 - 开源多模态语料库推动AI模型性能提升
GithubWanJuan上海人工智能实验室图文数据集多模态语料库开源项目文本数据集
WanJuan1.0是一个开源多模态语料库,包含超过5亿文档、22万图文对的文本、图像和视频数据,总量超2TB。涵盖科技、文学等多领域,经过精细处理和价值观对齐。该语料库已应用于Intern系列大模型训练,显著提升了模型在语义理解、知识问答等任务的表现,可有效增强AI模型的知识内容、逻辑推理和泛化能力。
efaqa-corpus-zh - 开源中文心理咨询对话数据集
Github人工智能对话数据开源项目心理咨询语料库标注研究用途
efaqa-corpus-zh是一个包含20,000条标注数据的中文心理咨询对话语料库，为人工智能在心理咨询领域的应用提供支持。该数据集包含多轮对话内容和分类信息，涵盖学业、职场、家庭等多种心理问题。项目提供详细的数据格式说明和标签定义，研究人员可通过购买证书获取使用权限。作为目前最大的公开中文心理咨询对话数据集，efaqa-corpus-zh为相关研究提供了宝贵的语料资源。
llmeval-1 - 系统评估中文大语言模型的创新研究项目
GithubLLMEVAL-1大模型大语言模型评测开源项目排行榜评测方法
LLMEVAL-1项目致力于系统研究大语言模型评价方法。该项目涵盖17个大类、453个问题，内容包括事实性问答、阅读理解和框架生成等多个领域。评测采用分项和对比两种方式，从正确性、流畅性、信息量、逻辑性和无害性五个维度进行。LLMEVAL-1通过结合众包和专业评测，为中文大语言模型提供了全面、客观的评估基准。
LangChain-ChatGLM-Webui - 本地知识驱动的大模型Webui，支持多文本格式上传与处理
ChatGLMGithubHuggingFaceLangChainModelScopeWebui开源项目
LangChain-ChatGLM-Webui 是一个利用LangChain和ChatGLM-6B系列模型的Web界面，支持txt、docx、md、pdf等格式文件上传，适用于本地知识驱动的大模型应用。项目支持HuggingFace、OpenXLab等多个平台的在线体验，适合开发者快速部署多种大语言模型和嵌入模型。
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