Beranda › Kumpulan-Kumpulan Data › The Pile
The Pile
Kumpulan Data
Korpus Terkurasi
EleutherAI's 825 GB of curated diversity — open-source pre-training's foundation.
Anda sedang melihat entri dataset: kumpulan data pelatihan — apa isinya dan model mana yang belajar darinya.
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.
Bagaimana ini terhubung ke bagian lain dari stack
Tautan catatan ini sekilas — klik grup untuk langsung menuju ke sana.
Terkait
Sumber
Rekaman ditinjau per 2026-01-15 — lihat Metodologi.