★
القائمة
الرئيسية كيف يُبنى قائمة المراقبة المنظومة
الأجهزة الشرائحمقارنة الرقائق الخوادم والأنظمةالشبكات الذاكرةالمصانع والتغليف التبريد
المنشآت مراكز البياناتالطاقة المشاريعالحوسبة السحابية وحوسبة GPU
الذكاء نماذج الذكاء الاصطناعيالبرمجيات منتجات الذكاء الاصطناعيمعايير الأداء أوراق بحثيةمجموعات البيانات المفاهيم
النظام البيئي الشركاتالأسهم الأشخاصالجدول الزمني الاتجاهاتمستقبل الذكاء الاصطناعي
تعلّم الأخبار استفسر عن البيانات وكلاء الذكاء الاصطناعي
حول من نحن المنهجية البيانات وواجهة API إخلاء المسؤولية
الخيارات
البيانات وواجهة API

وصول مجاني للقراءة فقط بصيغة JSON إلى البيانات المخزّنة مؤقتاً في الموقع.
الوضع الداكن

العرض الإرشادي
هل مصطلحات الرقائق ومراكز البيانات والنماذج جديدة عليك؟ نشرح المصطلحات الرئيسية أثناء تصفحك بلغة واضحة ومبسطة. البيانات نفسها، مع الشرح مدمجاً فيها.

عرض الخبراء
أنت تعرف المنظومة بالفعل. البيانات فقط: نظيفة وسريعة ومدمجة، دون شروح إضافية. هذا هو العرض الافتراضي.

لغة الواجهة
‹ رجوع
ملاحظات ميدانية

النماذج هي ما تأكله، وهذه هي القائمة. النمط الذي يستحق الملاحظة: النصوص المجانية على الويب استُهلكت في معظمها، ولهذا تدور أحدث السجلات هنا حول التنظيم والتركيب لا الجمع الآلي.

ابدأ بهذه الثلاثة

CC Common Crawl أرشيف ويب لمنظمة غير ربحية صغيرة أذكى ثورة الذكاء الاصطناعي دون قصد. F& FineWeb & FineWeb-Edu حد الفن في العالم المفتوح المصدر — 15 تريليون رمز مع الوصفة. L5 LAION-5B مجموعة البيانات وراء توليد الصور المفتوح المصدر — وقصتها التحذيرية.

Training datasets & corpora

7
CC Common Crawl The nonprofit web archive nearly every LLM ate first. C4 C4 Google's cleaned Common Crawl — the reproducible baseline. F& FineWeb & FineWeb-Edu Hugging Face's 15-trillion-token state of the art in open pre-training data. IM ImageNet The 14-million-image labeled dataset that started the deep-learning era. L5 LAION-5B 5.85 billion image-text pairs — the fuel of open image generation, and its scandal. RE RedPajama The open reproduction of Llama's training mix. TP The Pile EleutherAI's 825 GB of curated diversity — open-source pre-training's foundation.