数据集 / openbmb / Ultra-FineWeb

openbmb / Ultra-FineWeb

经验证过滤的高质量中英文网络文本数据集

HF 源仓库 ↗本站资料更新 2026-06-07

关键规格

作者
openbmb
规模
12.90亿行 · 9.7 TB
模态
文本
任务
文本生成
授权
apache-2.0 · 许可标注允许商用
语种
en / zh
中文
含中文
HF 热度98,558 下载 · 372 收藏观测于 2026-06-07
源仓库更新2026-05-28

仓库许可不等于数据内容权利已全部清理，商用仍需核对数据来源、隐私与版权条款。

采用判断

项目方资料核对 · 2 个来源 · 核验于 2026-07-23

数据集英文规模远超中文（约1T vs 120B），且项目内已发布更高层级的L3精炼版本，采用前需权衡语种覆盖和版本选择。[1][2]

采用前注意

  • 中文部分仅约120B tokens，英文约1T tokens，中英文规模严重失衡，中文训练效果可能受限。[1]
  • 项目内已发布Ultra-FineWeb-L3，属于同一UltraData体系下L3级精炼版本，在L2质量筛选基础上增加了结构化推理信号和更丰富的教育风格。[2]

本段综合依据

  1. openbmb/Ultra-FineWeb · Datasets at Hugging Face ↗huggingface.co
  2. openbmb/Ultra-FineWeb-L3 · Datasets at Hugging Face ↗huggingface.co

历史记录

1 次历史卡片 · 2026-06-07

研究依据

以下论文与本条目存在经人工复核的直接关系。论文本身不构成对它的推荐。