Models · Data · 预训练语料
FineWeb
从 96 批 Common Crawl 清洗,附教育向子集 FineWeb-Edu;清洗步骤有公开报告。
| 来源 | Hugging Face |
|---|---|
| 规模 | 15T tokens |
| 语言 | 英文 |
| 格式 | Parquet / web text |
| 许可 | ODC-By 1.0 |
| 商用 | 允许,需按许可署名 |
| 获取 | 直接下载 |
| 任务适配 | 预训练 |
| 核验日 | 2026-11-19 |
质量与偏差
从 96 批 Common Crawl 清洗,附教育向子集 FineWeb-Edu;清洗步骤有公开报告。
使用边界
网页语料仍有噪声、重复与低质页;训练前要做语言筛选、去重和许可复核。
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/HuggingFaceFW/fineweb · 核验日 2026-11-19 · 许可以来源页为准