合成预训练数据集 FinePhrase 下载量突破 280 万

yb2698 · x · 2026-11-17

作者 joelniklaus 宣布其合成预训练数据集 FinePhrase 在 Hugging Face 上的累计下载量已突破 280 万次。

该数据集基于 FineWeb-Edu 构建,由 SmolLM2-1.7B-Instruct 模型将原始网页改写为四种格式:FAQ、数学题、表格和教程,共包含约 10 亿行数据,采用 DataTrove 管线生成(speculative decoding 加速)。数据集按 faq/math/table/tutorial 四个 config 提供 parquet 文件,开源可下载。

原文链接 →

「研究」频道最新

更多「研究」频道 AI 资讯 →