blogpost-fineweb-v1 HuggingFaceFW
- Tipo
- space
- Me gusta
- 1,407
- Acceso
- public
- Archivos
- 0
Etiquetas
- web
- preentrenamiento de LLM
- distilación de datos
- corpus de texto
- LLM
- NLP
- documentación
- texto web
Resumen
Este Space es el blogpost oficial de HuggingFaceFW que presenta FineWeb, un dataset a gran escala de datos textuales extraídos y filtrados de la web para el preentrenamiento de LLM. Documenta el proceso de destilación, filtrado y curado de datos para obtener texto de máxima calidad. Es una referenc…
README
--- title: 'FineWeb: decantando la web para obtener los mejores datos de texto a escala' emoji: 🍷 colorFrom: rosa colorTo: rojo sdk: estático pinned: falso header: mini app_file: dist/index.html thumbnail: https://huggingface.co/spaces/HuggingFaceFW/blogpost-fineweb-v1/resolve/main/screenshot.jpeg…