OpenBMB 开源 1T+ token 高质量网页数据集

OpenBMB 在 Hugging Face 上开源发布 Ultra-FineWeb-L1 数据集，这是一个面向 LLM 预训练的高质量英文网页语料库。该数据集包含超过 1 万亿 tokens，基于 Common Crawl 最新快照构建，规模达数十亿级，采用 Apache 2.0 许可证发布，可广泛用于预训练与文本生成等任务。

2026-08-20 ~ 2026-08-21 · 3 条相关

• OpenBMB 发布 Ultra-FineWeb-L1 数据集，规模达数十亿级 — openbmb · 2026-08-20
• OpenBMB 开源 1T+ token 高质量网页数据集 Ultra-FineWeb-L1 — zibuyu9 · 2026-08-21

另有 1 条近重复转述:AdinaYakup