OpenBMB 开源 1T+ token 高质量网页数据集 Ultra-FineWeb-L1
zibuyu9 · x · 2026-08-21
OpenBMB 发布 Ultra-FineWeb-L1，这是一个包含 1T+ tokens 的高质量英文网页语料库。该数据集基于 Common Crawl 最新快照（CC-MAIN-2025-51），包含约 11.4 亿份文档。它通过精细的处理管线（文本提取、语言过滤、去重、敏感字段替换等）构建，旨在作为 UltraData 管理框架中的 L1 过滤层，提升 LLM 预训练的数据质量。
所属事件:OpenBMB 开源 1T+ token 高质量网页数据集(3 条相关)→
「Infra」频道最新
- 黄仁勋做客 BG2 播客:谈 AI 收入能否撑起 Capex 与 2027 瓶颈 — elonmusk · 2026-10-16
- Mistral 本地推理基建机架曝光:DGX Spark、Mac Studio 等混搭 — gregmushen · 2026-10-16
- 英伟达携手瑞典 Wallenberg，Launch 共享 AI 超算 Sferical One — nvidia · 2026-10-16
- 基础设施下一站:能自我进化、自我验证的自适应系统 — _shreya_s · 2026-10-16
- 小米 MiMo RL 训练曝光:30 步花掉 347 万美元 — bycloud · 2026-10-16
- Cerebras 用异构 prefill 池喂晶圆级引擎，解码速度与 batch 解耦 — ai · 2026-10-16