FineWeb

Conjunto de dados de páginas web em inglês de alta qualidade

Produto ComumProgramaçãoProcessamento de Linguagem NaturalConjunto de Dados

O conjunto de dados FineWeb contém mais de 15 trilhões de dados de páginas web em inglês, limpos e desduplicados, originários do CommonCrawl. Este conjunto de dados foi projetado especificamente para o pré-treinamento de modelos de linguagem de grande escala, com o objetivo de impulsionar o desenvolvimento de modelos de código aberto. Os dados foram cuidadosamente processados e filtrados para garantir alta qualidade e adequação a diversas tarefas de processamento de linguagem natural.

Geração de texto
Compreensão de linguagem
Treinamento de modelos de aprendizado de máquina

Adequado para cenários que exigem grandes quantidades de dados em inglês para treinamento e otimização de modelos de aprendizado de máquina
especialmente na área de processamento de linguagem natural.

Usado para treinar chatbots e melhorar sua compreensão de contextos em inglês.
Utilizado como fonte de dados para pré-treinamento de modelos de linguagem
melhorando o desempenho em tarefas de geração de texto.
Empregado em pesquisas de análise de sentimentos
ajudando os modelos a identificar e processar melhor expressões sentimentais em inglês.

Abrir Site

FineWeb Situação do Tráfego Mais Recente

Total de Visitas Mensais

29742941

Taxa de Rejeição

44.20%

Média de Páginas por Visita

5.9

Duração Média da Visita

00:04:44

FineWeb Tendência de Visitas

FineWeb Distribuição Geográfica das Visitas

Best AI Websites & Tools

FineWeb

FineWeb Situação do Tráfego Mais Recente

FineWeb Tendência de Visitas

FineWeb Distribuição Geográfica das Visitas

FineWeb Fontes de Tráfego

FineWeb Alternativas

FineWeb — Conjunto de dados de páginas web em inglês de alta qualidade

Nemotron-CC — Transforma o Common Crawl em um conjunto de dados de pré-treinamento de longo prazo refinado

YuLan-Mini — Modelo de linguagem leve e de alta eficiência com 240 milhões de parâmetros

NeoBase — NeoBase é um assistente de banco de dados AI de código aberto que permite que você interaja com o banco de dados usando linguagem natural.

Instella — Instella é um modelo de linguagem de código aberto de alto desempenho desenvolvido pela AMD, projetado para acelerar o desenvolvimento de modelos de linguagem de código aberto.

Migician — Migician é um modelo de linguagem grande multimodal focado na localização de imagens múltiplas, capaz de realizar localização precisa de imagens múltiplas de forma livre.

IndexTTS — Sistema de texto para voz (TTS) de amostra zero, eficiente e controlável em nível industrial

bRAG-langchain — Um projeto de código aberto para construir aplicativos de Geração Aumentada por Busca (Retrieval-Augmented Generation - RAG).

Moonlight — Moonlight é um modelo de especialista misto com 16 bilhões de parâmetros, treinado com o otimizador Muon, apresentando desempenho excepcional.

RAG-FiT — RAG-FiT é uma biblioteca para aprimorar a capacidade dos LLMs de usar informações externas, ajustando finamente os modelos com um conjunto de dados RAG aprimorado especialmente criado.

Dolphin R1 — Dolphin R1 é um conjunto de dados para treinamento de modelos de raciocínio, contendo 800.000 amostras.

Tülu 3 405B — Tülu 3 405B é um modelo de linguagem de código aberto em larga escala, com desempenho aprimorado por meio de aprendizado por reforço.

Open R1 — Este é um projeto de recriação de um modelo DeepSeek-R1 totalmente aberto, destinado a ajudar desenvolvedores a reproduzir e construir modelos baseados em R1.

Janus-Pro-1B — Janus-Pro-1B é uma estrutura auto-regressiva unificada de compreensão e geração multimodal.

SpeechGPT 2.0-prévia — O primeiro sistema de interação em tempo real de nível humano orientado para inteligência contextual, suportando interação de voz multi-emocional e multi-estilo.

Baichuan-M1-14B — Modelo de linguagem extenso de código aberto desenvolvido pela Baichuan Intelligence, otimizado para cenários médicos, com capacidades gerais excepcionais e desempenho superior na área médica.

DeepSeek-R1-Distill-Qwen-1.5B — DeepSeek-R1-Distill-Qwen-1.5B é um modelo de linguagem de código aberto eficiente para inferência, adequado para diversas tarefas de processamento de linguagem natural.

DeepSeek-V3 — Modelo de linguagem Mixture-of-Experts com 671B de parâmetros.

FineWeb2 — Conjunto de dados de pré-treinamento multilíngue

OLMo 2 1124 13B Mistura de Preferências — Conjunto de dados de mistura de preferências multilíngue em larga escala

dolmino-mix-1124 — Conjunto de dados de alta qualidade, usado na segunda etapa do treinamento do OLMo2.

OLMo 2 7B — Modelo de linguagem extenso com 7B de parâmetros, aprimorando a capacidade de processamento de linguagem natural.

Llama-3.1-Tulu-3-70B-SFT — Modelo líder em uma família de modelos de seguimento de instruções, oferecendo dados, código e diretrizes de código aberto.

Tülu 3 — Framework de pós-treinamento de modelos de linguagem avançados de código aberto

Tencent-Hunyuan-Large — Modelo de especialista misto de larga escala de código aberto líder do setor

llmc — Ferramenta de linha de comando de inferência local que converte descrições em linguagem natural em comandos shell executáveis.

Tabela de Conhecimento — Ferramenta de código aberto que simplifica a extração e exploração de dados estruturados a partir de documentos não estruturados.

TurboSeek — Um motor de busca AI de código aberto, impulsionado pela Together.ai.

Converse com seu Banco de Dados — Converse com seu banco de dados usando linguagem natural para consultar dados.

SLM_Survey — Pesquisa, medição e insights sobre modelos de linguagem de pequeno porte