К содержимому

Датасет · SylvanL

Корпус по традиционной китайской медицине для претрейна

SylvanL/Traditional-Chinese-Medicine-Dataset-Pretrain

Около 1 ГБ несетевых текстов по китайской медицине для продолженного претрейна LLM.

Что внутри

Текстовый корпус объёмом от 100 тысяч до 1 миллиона записей (около 1 ГБ) на китайском языке (99% — упрощённый китайский). Состоит из внутренних материалов, не взятых из открытого интернета: клинических случаев, классических трудов, медицинских энциклопедий и словарей терминов. Предназначен строго для претрейна или продолженного претрейна.

Что можно сделать

  • Продолженный претрейн (continued pretraining) языковых моделей в домене китайской медицины
  • Адаптация базовых китайских LLM под узкоспециализированную терминологию
Задачи
Генерация текста
Языки
Китайский
Размер
100K–1M записей
Скачиваний за месяц
602
Лайков
36

Модели, обученные на нём

Как загрузить

from datasets import load_dataset

ds = load_dataset("SylvanL/Traditional-Chinese-Medicine-Dataset-Pretrain")