Logo
Project Icon

MNBVC

MNBVC大规模中文语料集：覆盖多样类型数据支持开源社区

MNBVC中文语料集开源社区数据清洗huggingfaceGithub开源项目

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。

访问官网访问官网GithubGithubHuggingfaceHuggingface文档文档论文论文
介绍相关项目
Awesome-Mamba-Collection - Mamba模型在多领域应用的综合资源集
GithubMamba人工智能开源项目深度学习自然语言处理计算机视觉
Awesome-Mamba-Collection项目汇集了Mamba相关的论文、教程和视频资源。涵盖Mamba在视觉、语言、多模态等领域的应用，以及理论分析和架构改进。为研究者和开发者提供全面的Mamba参考资料，促进知识共享和社区协作。适合各级别人士学习Mamba技术。
xlm-roberta-xl - 基于2.5TB数据训练的100语种自然语言处理模型
GithubHuggingfaceXLM-RoBERTa-XL多语言模型开源项目机器学习模型自然语言处理预训练模型
XLM-RoBERTa-XL是基于2.5TB CommonCrawl数据训练的大规模多语言模型，支持100种语言的自然语言处理。该模型采用掩码语言建模进行自监督学习，适用于序列分类、标记分类和问答等需要理解整句上下文的任务。XLM-RoBERTa-XL为多语言NLP研究和应用提供了强大的基础，但不适合文本生成类任务。
internlm2-7b - 增强自然语言处理与长文本分析能力
GithubHuggingfaceInternLM开源开源项目性能评测模型长上下文
InternLM2-7B是一款开源自然语言处理模型，以其卓越的语言能力及对20万字符长文本的支持在评测中表现优异。适用于领域适配与复杂任务，提供代码开放与商用使用许可，便于研究与开发者的灵活使用与集成。
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。
bert-base-chinese-ner - 传统中文BERT模型及自然语言处理工具
CKIP BERTGithubHuggingfacetransformers模型命名实体识别开源项目模型繁體中文自然语言处理
该项目提供传统中文BERT等模型和多功能自然语言处理工具，辅助词性标注、分词和实体识别。建议使用BertTokenizerFast以提高性能。CKIP开发和维护，详情使用说明见GitHub页面。
hatespeechdata - 多语言仇恨言论数据集汇总与研究资源
Github仇恨言论在线辱骂多语言开源项目数据集社交媒体
该项目汇集了涵盖多种语言的仇恨言论、在线辱骂和攻击性语言数据集。收录内容包括来自不同平台的文本、图像和音频数据。项目旨在为自然语言处理系统提供训练资源，以提升有害内容检测能力。此外，项目还提供关键词列表和贡献指南，为研究人员和开发者改进在线内容审核和仇恨言论检测技术提供支持。
Chinese-LLaMA-Alpaca - 中文NLP开源模型，深化语义理解与执行技术
Github中文Alpaca中文LLaMA大模型开源开源项目指令精调
Chinese-LLaMA-Alpaca-3项目致力于提升中文NLP的处理效率和效果，通过扩展中文词表并使用中文数据进行二次预训练，大幅增强了中文文本的编解码能力。该项目提供了完善的模型下载、部署和训练指导，支持多种生态系统和快速本地部署，适合高质量文本生成和多轮对话任务。同时，通过开源和社区合作，推动开源大模型技术研究及应用。
nllb-200-1.3B - 支持200种语言互译的机器翻译开源模型
GithubHuggingfaceNLLB-200人工智能研究多语言模型开源项目机器翻译模型算法训练
nllb-200-1.3B是一个1.3B参数规模的开源机器翻译模型，支持200种语言之间的互相翻译。模型基于Flores-200数据集训练，特别关注低资源语言的翻译效果，支持最大512个token的单句翻译。经BLEU、spBLEU和chrF++等指标评估，该模型主要用于机器翻译研究，不适用于医疗、法律等专业领域的生产环境。
Yi-34B-200K - 开源双语大模型 提升长文本理解能力
GithubHuggingfaceTransformerYi双语大语言模型开源开源项目模型
Yi-34B-200K是开源的双语大语言模型，专注于提升长文本理解。通过在长时间上下文数据上训练5亿个token，Yi-34B-200K的『寻针与草垛』测试表现从89.3%提高到99.8%。其独特的数据集和高效的训练管道，使Yi系列在语言理解、常识推理和阅读理解方面表现优异，超过其他开源模型。该模型适用于个人、学术和中小企业，性价比较高。
MAP-NEO - 开源大语言模型 性能卓越且训练过程透明
GithubMAP-NEO大型语言模型开源开源项目性能评估训练数据
MAP-NEO是一个完全开源的大语言模型，其预训练数据、处理流程、脚本和代码均可获取。该模型在4.5T英中文数据上训练，性能与LLaMA2 7B相当。在推理、数学和编码等任务中，MAP-NEO表现优异。项目公开了训练全过程，包括检查点、分词器、语料库和优化代码，为大语言模型研究提供了宝贵资源。
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