Models · Data · 预训练语料
Dolma
AI2 公开的研究语料,定位是给科研提供可复现的对照底座。
| 来源 | AI2 |
|---|---|
| 规模 | 3T tokens |
| 语言 | 英文为主 |
| 格式 | JSONL / Parquet |
| 许可 | ODC-BY 1.0 |
| 商用 | 允许,需署名 |
| 获取 | 直接下载 |
| 任务适配 | 预训练 / 研究对照 |
| 核验日 | 2026-11-19 |
质量与偏差
AI2 公开的研究语料,定位是给科研提供可复现的对照底座。
使用边界
3T 是清洗后的口径;网页来源仍可能含敏感或侵权内容,使用前按用途复核。
下一步
- 打开来源页,下载数据集卡与许可原文,确认版本与获取条件。
- 先抽 100–500 条样本做质量、语言与敏感内容抽检,再决定是否进训练管线。
- 如果用于 RAG 或 SFT,先读 RAG 语料怎么选 / SFT 数据怎么配比。
来源:https://huggingface.co/datasets/allenai/dolma · 核验日 2026-11-19 · 许可以来源页为准