Datasets | AI Infrastructure Database

Seçenekler

VERİ VE API

Sitenin önbelleğe alınmış verilerine ücretsiz salt okunur JSON erişimi.

Karanlık Mod

Rehberli Görünüm
Çipler, veri merkezleri ve model terimleri size yabancı mı? Gezinirken temel kavramları sade bir dille açıklıyoruz. Aynı veriler, yerleşik yardım sistemiyle birlikte.

Uzman Görünümü
Teknik altyapıyı zaten biliyorsunuz. Sadece veriler: temiz, hızlı ve özlü; fazladan açıklama yok. Bu varsayılan görünümdür.

Arayüz dili

‹ Geri

Saha notları

Modeller ne yerlerse odur; bu da menü. Dikkat edilmesi gereken örüntü şu: web'in ücretsiz metni özünde tüketildi; bu yüzden buradaki en yeni kayıtlar veri toplama değil, küratörlük ve sentez üzerine.

Bu üçle başlayın

CC Common Crawl Küçücük, kâr amacı gütmeyen bir kuruluşun web arşivi — ve yapay zeka devrimini kazara besledi. F& FineWeb & FineWeb-Edu Açık dünyanın sanat durumu — 15 trilyon token, tarif dahil. L5 LAION-5B Açık görüntü üretiminin arkasındaki veri kümesi — ve ibret verici hikâyesi.

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.