热门
导航
快讯
推荐文章
热门
导航
快讯
推荐文章
#中文语料库
Chinese-Tiny-LLM
Chinese-Tiny-LLM项目提供完整的中文网络语料清洗流程和预训练代码,包含MAP-CC(8000亿中文token预训练数据集)、CHC-Bench(中文难例指令理解基准测试)和CT-LLM(2B参数中文中心语言模型)。该项目突破了传统依赖英语语料库的LLM训练方法,为构建更具包容性和适应性的语言模型奠定基础。
TUMCC
TUMCC是首个专门用于中文暗语识别的语料库,收集自12个Telegram群组,包含28,749条句子和804,971个字符。经过数据清理后,保留3,863条句子(约10万字符)。该语料库提供cleaned和raw两种格式数据,便于研究人员分析地下市场语言特征和网络犯罪行为。项目附有详细使用说明和引用指南,为相关学术研究提供支持。
相关文章
Chinese Tiny LLM: 开创中文大语言模型新纪元
2 个月前
TUMCC:首个Telegram地下市场中文黑话识别语料库
1 个月前
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