Models · Data · 预训练语料
RedPajama-Data-v2
多语言网页语料,带质量信号与去重标记,适合做多语言预训练基线。
| 来源 | Together AI |
|---|---|
| 规模 | 30T tokens(原始) |
| 语言 | 英 / 德 / 法 / 西 / 意 |
| 格式 | JSONL / Parquet |
| 许可 | Apache-2.0 |
| 商用 | 允许 |
| 获取 | 直接下载 |
| 任务适配 | 预训练 / 多语言 |
| 核验日 | 2026-11-19 |
质量与偏差
多语言网页语料,带质量信号与去重标记,适合做多语言预训练基线。
使用边界
30T 是原始规模,清洗后可用量取决于质量筛选;不同语言覆盖不均。
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/togethercomputer/RedPajama-Data-V2 · 核验日 2026-11-19 · 许可以来源页为准