finepdfs HuggingFaceFW

Liberating 3T of the finest tokens from PDFs What is this? As we run out of web pages to process, the natural question has always been: what to do next? Only a few knew about a data source that everyone avoided for ages, due to its incredible extraction cost and complexity: PDFs. 📄 FinePDFs is exactly that. It is the largest publicly available corpus sourced exclusively from PDFs, containing about 3 trillion tokens across 475 million documents in 1733 languages. Compared to… See the full description on the dataset page: https://huggingface.co/datasets/HuggingFaceFW/finepdfs.

Tipo
dataset
Licencia
odc-by
Lenguaje
aai
Descargas
45,951
Me gusta
914
Acceso
public
Archivos
0

Etiquetas

  • preentrenamiento de LLM
  • corpus de texto
  • multilingüe
  • NLP
  • texto
  • preentrenamiento

Resumen

FinePDFs es el corpus público más grande extraído exclusivamente de PDFs, con aproximadamente 3 billones de tokens en 475 millones de documentos que abarcan 1733 idiomas. Su propósito es liberar una nueva fuente de datos de alta calidad cuando se agotan las páginas web disponibles. Es ideal para pr…

README

--- license: odc-by task_categories: - text-generation pretty_name: 📄 FinePDFs language: - aai - aak - aau - aaz - aba - abi - abk - abn - abq - abs - abt - abx - aby - abz - aca - acd - ace - acf - ach - acm - acn - acr - acu - ada - ade - adh - adi - adj - adl - ady - adz - aeb - aer - aeu - aey…

查看完整页面 · 查看原文