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。

Github

Huggingface

介绍相关项目

fastText - 高效词向量学习和文本分类库

GithubfastText开源项目文本分类机器学习自然语言处理词向量

fastText是Facebook开发的开源自然语言处理库,专注于高效词向量学习和文本分类。它支持157种语言,利用子词信息丰富词向量表示,并采用多种技巧提升分类性能。该库易用且训练速度快,适合大规模文本处理。fastText还提供模型量化功能,可大幅压缩模型体积,便于部署。

GuoFeng-Webnovel - 多语言网络小说语料库推动机器翻译和语言模型研究

GithubGuoFeng Webnovel多语言语料库开源项目文学翻译机器翻译网络小说

GuoFeng-Webnovel是一个多语言网络小说语料库，包含丰富的语言文化特征和长文本上下文。覆盖14种小说类型，提供中英、中德、中俄等语言对。数据经严格处理和人工校对，可用于机器翻译和语言模型研究。研究人员可在遵守版权规定下免费用于非商业研究。

funNLP - 全面汇总AI相关资源，文本处理、语音识别及NLP项目

GithubLLM训练推理NLP民工的乐园中文NLP资源库开源项目文本生成热门类ChatGPT模型

本资源为AI领域研究人员和开发者提供全面的相关工具、库和项目。涵盖文本处理、语音识别、自然语言处理(NLP)等多个方向，包括敏感词检测、机器翻译、情感分析等实用功能，适合于科研、教育和商业应用。

pytextclassifier - PyTextClassifier：支持多种文本分类和聚类算法的高性能工具库

GithubPyTextClassifier开源工具包开源项目文本分类聚类算法自适应文本分析

PyTextClassifier是一款高性能的Python工具库，提供多种文本分类和聚类算法，支持二分类、多分类、多标签分类和Kmeans聚类。适用于情感分析和文本风险分类，设计简明易用，算法高效清晰。支持句子和文档级的文本任务，兼容英文和中文文本。包含FastText、TextCNN、TextRNN和BERT等深度学习模型，适合各类生产环境。

Awesome-LLMs-Datasets - 完整收录大型语言模型数据集的多维度分类概览

GithubLLMs数据集大语言模型开源项目指令微调数据集评估数据集预训练语料库

这个项目全面收集和分类了大型语言模型(LLM)数据集，包括预训练语料库、指令微调数据集、偏好数据集、评估数据集和传统NLP数据集五大类别。新增的内容涵盖多模态大语言模型数据集和检索增强生成数据集。项目统计了444个数据集的详细信息，覆盖8种语言和32个领域，为LLM研究提供了全面参考资源。

text2vec - R语言高效文本分析与NLP框架

GithubR软件包text2vec开源项目文本分析自然语言处理高性能计算

text2vec是一个R语言包，为文本分析和自然语言处理提供高效框架和简洁API。该包以C++编写，支持多线程并行处理，具有优秀性能和可扩展性。text2vec提供流式API，无需将全部数据加载到内存。它注重简洁、一致、灵活、快速和内存效率，是文本处理的理想工具。text2vec可用于文本向量化、主题建模、情感分析等任务，为研究人员和数据科学家提供强大的文本处理工具。该项目欢迎社区贡献，包括测试反馈和代码改进。

tts-generation-webui - 高效的文本到语音和语音克隆工具

GithubTTS Generation WebUI开源项目语音克隆软件更新音频生成音频转换

tts-generation-webui 是一款由AI驱动的开源文本到语音及语音克隆工具，支持包括 Bark、MusicGen、AudioGen 在内的多种模型。通过简洁的Web界面，用户可以方便地下载、升级及配置，同时享受持续的技术更新和社区支持。

Awesome-Text-to-Image - 全面收录文本到图像生成与编辑技术资源

AI绘画Github开源项目文生图深度学习自然语言处理计算机视觉

项目汇集了文本到图像生成与编辑技术的各类资源,包括定量评估指标、训练数据集、开源代码实现及相关学术论文。内容全面且持续更新,涵盖该领域最新进展,可为研究人员和开发者提供有价值的参考信息。

llm_benchmarks - 大语言模型评估基准集合

GithubLLM人工智能开源项目机器学习自然语言处理语言理解

llm_benchmarks是一个全面的大语言模型评估基准集合,涵盖知识理解、推理能力、多轮对话和内容摘要等方面。该项目包含MMLU、ARC、GLUE等知名数据集,用于测试模型在不同任务中的表现。这一标准化工具为评估大语言模型性能提供了可靠依据,有助于相关技术的发展与应用。

awesome-LLMs-In-China - 中国AI大模型全面收录及发展动态

ChatGLMGithubLLaMA人工智能大模型开源开源项目

这个项目系统收录了中国AI大模型的详细信息，涵盖机构、来源和分类等。通过持续更新，记录各类大模型的发展动态，包括百度文心一言、阿里通义千问等知名通用模型，以及医疗、金融等专业领域模型。项目还提供评测数据集和开源基础模型列表，为研究中国AI发展提供全面参考。

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