Inicio › Conjuntos de datos › The Pile
The Pile
Conjunto de datos
Corpus seleccionado
EleutherAI's 825 GB of curated diversity — open-source pre-training's foundation.
Estás viendo un registro de dataset: una colección de datos de entrenamiento, qué contiene y qué modelos aprendieron de ella.
The Pile (2020) mixed 22 sources — papers, code, books, forums — and showed curation quality mattered as much as scale. It trained the GPT-Neo/GPT-J lineage that kept open research alive, and its inclusion of the Books3 shadow-library became a defining copyright battleground.
Cómo se conecta con el resto del stack
Los enlaces de esta ficha de un vistazo: haz clic en un grupo para ir directamente a él.
Relacionado
Fuentes
Registro revisado a fecha de 2026-01-15 — ver Metodología.