Датасет · Jr23xd23
Арабский корпус из 743 тыс. статей
Jr23xd23/ArabicText-Large
743 288 арабских статей, более 244 млн слов — корпус для обучения и дообучения LLM.
Что внутри
Датасет содержит 743 288 статей на арабском языке общим объёмом более 244 млн слов. Это один из крупнейших публично доступных арабских текстовых корпусов для машинного обучения. Материал собран для обучения и fine-tuning больших языковых моделей.
Что можно сделать
- Обучение или дообучение арабской LLM
- Fine-tuning модели для text-classification на арабском
- Заполнение масок и оценка языковых моделей
- Задачи
- Генерация текста, Заполнение пропусков, Классификация текста
- Языки
- Арабский
- Размер
- 100K–1M записей
- Скачиваний за месяц
- 510
- Лайков
- 72
Модели, обученные на нём
Как загрузить
from datasets import load_dataset
ds = load_dataset("Jr23xd23/ArabicText-Large")