dolma

3万亿令牌的多样化开放数据集与高性能管理工具

Dolma Dataset Dolma Toolkit AI2 语言模型数据集管理 Github 开源项目

Dolma项目提供一个包含3万亿令牌的多样化开放数据集，涵盖网络内容、学术出版物、代码、书籍和百科材料。Dolma Toolkit是一款高性能工具包，能够高效整理大型数据集，支持并行处理、便捷移植、内置标签器、快速去重、扩展性和云支持。该项目由Allen Institute for AI开发，数据集可在HuggingFace平台下载。

Github

Huggingface

介绍相关项目

llama3 - Llama 3开源大语言模型推动AI创新与责任发展

GithubLlama 3Meta人工智能大语言模型开源开源项目

Meta推出Llama 3系列大语言模型，参数规模从8B到70B不等，包含预训练和指令微调版本。该系列面向广泛用户群体开放，旨在推动负责任的AI创新。Llama 3具备8192个token的序列处理能力，并提供便捷的加载和推理代码。模型权重和分词器可通过官方网站或Hugging Face平台获取。

LlamaIndex - 开源数据框架助力企业构建LLM应用

AI工具LLM应用LlamaIndex企业数据开源数据框架

LlamaIndex是一个用于构建大型语言模型(LLM)应用的数据框架。它支持160多种数据源和格式的加载，40多个向量存储和数据库的集成，以及LLM工作流程编排。该框架提供社区贡献的连接器、工具和数据集，并可与多种服务集成。LlamaIndex为开发者提供了构建LLM应用所需的工具和资源，简化了自定义数据源与LLM的连接过程。

argilla - AI数据集管理与优化工具

AI工程师ArgillaGithub开源项目数据质量数据集模型优化

Argilla是一款为AI工程师和领域专家设计的数据集管理工具，旨在通过高效的数据管理和标注流程提升AI项目的数据质量和模型效果。Argilla支持文本分类、命名实体识别和多模态模型等多种AI项目的数据收集和反馈，帮助用户快速迭代和优化数据与模型。该工具提供开源社区支持，用户可以参与并共享开源数据集和模型。通过与Hugging Face Spaces的集成，用户可以轻松部署和使用Argilla，提高AI项目的整体效率和质量。

datablations - 对在数据限制下扩展语言模型的方法的研究

C4Githublanguage models开源项目数据稀缺数据重复训练数据

本项目研究在数据受限情况下扩展语言模型的方法。通过对9000亿训练令牌和90亿参数模型进行实验，提出并验证了重复令牌和多余参数的计算优化法则。实验涵盖数据增强、困惑度过滤及去重处理。相关模型和数据集公开在仓库，有助于在资源有限情况下高效训练和优化语言模型。

awesome-open-data-centric-ai - 开源工具提升数据驱动的AI构建效率

DCAIData-centric AIGithubRenumicsopen-source工具unstructured data开源项目

该项目提供了多种开源工具，旨在在非结构化数据上实现数据驱动的AI工作流。通过系统地提升训练数据集的质量，可以开发出在实际应用中具备更高价值的AI系统。工具涵盖数据版本控制、嵌入和预训练模型、可视化与交互、异常和噪声检测、可解释性、主动学习等多个类别，且均为活跃维护，适用于日常使用。目标是帮助用户发现并利用这些工具，从而提高AI系统的开发效率和质量。

Llama-3.1-405B - Meta开发的多语言大规模语言模型集合,支持商业和研究使用

GithubHuggingfaceLlama 3.1人工智能多语言大语言模型开源项目模型自然语言处理

Llama 3.1是Meta开发的多语言大型语言模型系列,提供8B、70B和405B三种规模。模型采用优化的Transformer架构,支持128k上下文长度,使用分组查询注意力机制提升推理效率。经指令微调后,可用于多语言对话等场景,在行业基准测试中表现出色。支持8种语言,适用于商业和研究用途,如助手式聊天和自然语言生成等任务。

Llama-2-70b-hf - Meta开发的70亿参数开源大语言模型支持多样化自然语言处理任务

GithubHuggingfaceLLAMA 2人工智能大语言模型开源开源项目模型自然语言处理

Llama-2-70b-hf是Meta开发的70亿参数大语言模型,基于优化的Transformer架构,支持4k上下文长度。模型在2万亿token公开数据上预训练,通过监督微调和人类反馈强化学习实现对话能力。在多项基准测试中表现优异,适用于对话、问答、推理等自然语言处理任务。作为开源发布的基础模型,为学术研究和商业应用提供了有力支持。

Llama-3.2-3B-GGUF - 高性能多语言型大语言模型支持8种语言

GithubHuggingfaceLlama 3.2人工智能多语言开源项目机器学习模型语言模型

Llama-3.2-3B是Meta开发的多语言大型语言模型,支持8种语言,适用于对话和代理任务。本项目使用llama.cpp对原模型进行量化,保留了128k上下文长度和分组查询注意力等特性。该模型在行业基准测试中表现优异,可用于聊天、知识检索、摘要等自然语言生成任务,适合商业和研究使用。

OmniCorpus - 百亿级图文交错数据集推动多模态AI研究新高度

GithubOmniCorpus图像文本交错多模态数据集大规模数据开源项目数据处理管道

OmniCorpus是一个大规模多模态数据集，包含86亿张图像和1,696亿个文本标记。该数据集提供中英双语内容，涵盖从网站和视频平台提取的文本和视觉文档，具有高度的数据多样性和灵活性。与之前最大的数据集LAION-5B相比，OmniCorpus在图像和文本规模上分别大1.7倍和12.5倍，同时保持了优秀的数据质量。研究表明，基于此数据集训练的模型在图像描述和视觉问答等任务中表现出色。OmniCorpus采用流式数据格式，可适应多种数据结构，包括纯文本语料库、图文对和交错数据格式。这一特性使其在自然语言处理、计算机视觉和多模态AI等领域的研究和应用中具有广泛潜力。

Llama-3.2-1B - Meta推出多语言大规模语言模型支持多种商业和研究场景

GithubHuggingfaceLlama 3.2人工智能多语言大语言模型开源项目模型自然语言处理

Llama-3.2-1B是Meta开发的多语言大规模语言模型,支持8种语言。采用优化的Transformer架构,经9T token训练,具128K上下文长度。适用于对话、检索、摘要等任务,性能优于多数开源和闭源模型。支持商业和研究用途,可开发AI助手、写作工具等。提供原始和量化版本,适应不同计算资源需求。该模型在多语言处理和应用灵活性方面表现出色。

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

稿定AI

稿定设计是一个多功能的在线设计和创意平台，提供广泛的设计工具和资源，以满足不同用户的需求。从专业的图形设计师到普通用户，无论是进行图片处理、智能抠图、H5页面制作还是视频剪辑，稿定设计都能提供简单、高效的解决方案。该平台以其用户友好的界面和强大的功能集合，帮助用户轻松实现创意设计。

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