FineWeb

Conjunto de datos web en inglés de alta calidad

Producto ComúnProgramaciónProcesamiento del lenguaje naturalConjunto de datos

El conjunto de datos FineWeb contiene más de 15 billones de páginas web en inglés, limpiadas y depuradas, procedentes de CommonCrawl. Este conjunto de datos está diseñado específicamente para el preentrenamiento de modelos de lenguaje a gran escala, con el objetivo de impulsar el desarrollo de modelos de código abierto. Los datos han sido cuidadosamente procesados y filtrados para asegurar una alta calidad, siendo adecuados para diversas tareas de procesamiento del lenguaje natural.

Generación de texto
Comprensión del lenguaje
Entrenamiento de modelos de aprendizaje automático

Se utiliza en escenarios que requieren una gran cantidad de datos en inglés para el entrenamiento y optimización de modelos de aprendizaje automático
especialmente en el campo del procesamiento del lenguaje natural.

Para entrenar chatbots y mejorar su comprensión de contextos en inglés.
Como fuente de datos para el preentrenamiento de modelos de lenguaje
mejorando el rendimiento del modelo en tareas de generación de texto.
Para la investigación en análisis de sentimiento
ayudando al modelo a identificar y procesar mejor las expresiones sentimentales en inglés.

Abrir sitio web

FineWeb Situación del tráfico más reciente

Total de visitas mensuales

29742941

Tasa de rebote

44.20%

Páginas promedio por visita

5.9

Duración promedio de la visita

00:04:44

FineWeb Tendencia de visitas

FineWeb Distribución geográfica de las visitas

Best AI Websites & Tools

FineWeb

FineWeb Situación del tráfico más reciente

FineWeb Tendencia de visitas

FineWeb Distribución geográfica de las visitas

FineWeb Fuentes de tráfico

FineWeb Alternativas

FineWeb — Conjunto de datos web en inglés de alta calidad

Nemotron-CC — Convierte Common Crawl en un conjunto de datos de preentrenamiento a largo plazo y de alta calidad

YuLan-Mini — Un modelo de lenguaje ligero y de alta eficiencia con 240 millones de parámetros.

NeoBase — NeoBase es un asistente de base de datos de IA de código abierto que le permite interactuar con bases de datos utilizando lenguaje natural.

Instella — Instella es un modelo de lenguaje de código abierto de alto rendimiento desarrollado por AMD, diseñado para acelerar el desarrollo de modelos de lenguaje de código abierto.

Migician — Migician es un modelo de lenguaje multimodal de gran tamaño centrado en la localización de múltiples imágenes, capaz de realizar una localización precisa de múltiples imágenes de forma libre.

IndexTTS — Sistema de texto a voz (TTS) de muestra cero, eficiente y controlable de grado industrial

bRAG-langchain — Un proyecto de código abierto para construir aplicaciones de Generación Aumentada por Recuperación (RAG).

Moonlight — Moonlight es un modelo de experto mixto (MoE) de 16B parámetros, entrenado con el optimizador Muon, que ofrece un rendimiento excepcional.

Crawl4LLM — Una herramienta de rastreo web eficiente para el preentrenamiento de LLM, enfocada en obtener datos web de alta calidad de manera eficiente.

RAG-FiT — RAG-FiT es una biblioteca diseñada para mejorar la capacidad de los LLMs (Modelos de Lenguaje Grande) de utilizar información externa mediante el ajuste fino del modelo con un conjunto de datos RAG (Recuperación Aumentada de Generación) especialmente creado.

s1-32B — s1 es un modelo de inferencia ajustado con Qwen2.5-32B-Instruct, entrenado con solo 1000 ejemplos.

node-DeepResearch — Busca y lee páginas web continuamente hasta encontrar la respuesta (o hasta agotar el presupuesto de tokens).

Dolphin R1 — Dolphin R1 es un conjunto de datos para entrenar modelos de inferencia, que contiene 800.000 muestras.

Tülu 3 405B — Tülu 3 405B es un modelo de lenguaje abierto de gran escala, cuyo rendimiento se ha mejorado mediante aprendizaje por refuerzo.

Open R1 — Este es un proyecto de reproducción de un modelo DeepSeek-R1 completamente abierto, diseñado para ayudar a los desarrolladores a reproducir y construir modelos basados en R1.

Janus-Pro-1B — Janus-Pro-1B es un marco autorregresivo unificado de comprensión y generación multimodal.

SpeechGPT 2.0-versión preliminar — Primer sistema de interacción en tiempo real a nivel humano orientado a la inteligencia contextual, que admite la interacción de voz con múltiples emociones y estilos.

Baichuan-M1-14B — Modelo de lenguaje extenso de código abierto desarrollado por Baichuan Intelligence, optimizado específicamente para escenarios médicos. Posee una capacidad general excepcional y un rendimiento superior en el ámbito médico.

DeepSeek-R1-Distill-Qwen-1.5B — DeepSeek-R1-Distill-Qwen-1.5B es un modelo de lenguaje de código abierto de alta eficiencia de inferencia, adecuado para diversas tareas de procesamiento del lenguaje natural.

DeepSeek-V3 — Un modelo de lenguaje Mixture-of-Experts con 671B parámetros.

Q-RWKV-6 32B Instruct Vista previa — Variante de modelo RWKV más potente, superando varios benchmarks en inglés.

FineWeb2 — Conjunto de datos de preentrenamiento multilingüe

Mezcla de preferencias OLMo 2 1124 13B — Conjunto de datos de mezcla de preferencias multilingüe a gran escala

OLMo-2-1124-7B-SFT — Modelo de generación de texto en inglés de alto rendimiento

dolmino-mix-1124 — Conjunto de datos de alta calidad para la segunda etapa de entrenamiento de OLMo2.

OLMo 2 7B — Modelo de lenguaje grande de 7B parámetros, que mejora las capacidades de procesamiento del lenguaje natural.

Ai2 OpenScholar — Modelo de lenguaje mejorado con búsqueda para la recuperación integral de literatura científica

Llama-3.1-Tulu-3-8B-RM — Modelo de seguimiento de instrucciones avanzado que ofrece una guía completa sobre técnicas de post-entrenamiento.

Llama-3.1-Tulu-3-70B-SFT — Modelo líder en la familia de modelos que siguen instrucciones, ofreciendo datos, código y guías de código abierto.