跳到主要内容Skip to main content

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