SummFlow 2026-05-23 Hugging Face

HuggingFaceFW / fineweb-edu

从网络过滤出的教育类网页文本数据

34.97亿行 · 6.2 TB

  • 多模态
  • 文本生成
  • odc-by · 可商用

下载 616k · 收藏 1.1k · 1年前更新

社区实测

社区认可其构建流程的开放透明,脚本与数据均可复现,在同等规模数据集中表现领先

  • 提供了大规模高质量教育内容用于LLM预训练(1.3T tokens)
  • 公开了完整的构建流程与脚本,解决了预训练数据构建不透明的问题
  • 在同等规模数据集中预训练效果更优

截至 2026-06-20

  • py from datasets import load_dataset ds = load_dataset("HuggingFaceFW/fineweb-edu")