橙子AI科技 Logo 橙子AI科技 需求咨询
菜单
数据集

s2orc_full

AlgorithmicResearchGroup/s2orc_full

查看上游原文 ↗
上游访问：公开 本站服务：可咨询 内容检查：AI 辅助整理并检查 许可证：odc-by 上游版本：88eb8ca14297

中文简介

AlgorithmicResearchGroup/s2orc_full 是 AlgorithmicResearchGroup 在 Hugging Face 发布的数据集仓库，当前卡片主要关联文本生成与推理、向量表示与检索。本站固定记录上游版本 88eb8ca14297，同步到 5415 个文件，文件元数据合计 1.27 TB；访问状态为“公开”，许可证字段为“odc-by”。

UPSTREAM README

上游模型卡 / 数据集卡

在 Hugging Face 查看原文 ↗

【README 卡片中文译介】

以下内容依据上游仓库 AlgorithmicResearchGroup/s2orc_full 的固定版本 README、卡片字段和文件元数据进行中文结构化整理。它保留便于选型的关键信息，完整技术细节、代码示例和许可文本请同时查看上游原文。

【资源概览】
AlgorithmicResearchGroup/s2orc_full 是 AlgorithmicResearchGroup 在 Hugging Face 发布的数据集仓库，当前卡片主要关联文本生成与推理、向量表示与检索。本站固定记录上游版本 88eb8ca14297，同步到 5415 个文件，文件元数据合计 1.27 TB；访问状态为“公开”，许可证字段为“odc-by”。

【适用方向】
适合在明确数据字段、拆分和许可证后，用于文本生成与推理、向量表示与检索相关的训练、评测或研究。 正式使用前应先抽样检查字段、语言、重复项、敏感信息和训练/测试划分，避免只依据仓库名称判断数据质量。

【版本与规格】
固定版本：88eb8ca14297。 任务标签：文本生成与推理、向量表示与检索。 语言字段：en。 数据集卡名称：S2ORC Full (Semantic Scholar Open Research Corpus)。 规模分类：10M<n<100M。 上游页面记录的最近更新时间：2026-04-15。

【文件信息】
上游 API 返回 5415 个文件，文件元数据合计 1.27 TB。 已保存文件清单中的主要扩展名：.parquet 99 个、无扩展名 1 个。 当前较大的文件包括：000000000096.parquet（241.85 MB）；000000000060.parquet（240.44 MB）；000000000028.parquet（240.30 MB）。 仓库文件较多，本站仅保存前 100 条文件元数据；完整清单请查看上游仓库。

【运行或处理环境】
仓库文件元数据合计 1.27 TB。仅按下载、解压和临时文件估算，建议至少预留约 1.53 TB 可用磁盘；实际需求还取决于压缩率、缓存、数据转换和训练副本，正式处理前应以完整文件清单重新测算。

【使用边界】
许可证显示为“odc-by”，具体用途限制、附加政策和归属要求仍以上游原文为准。 数据集还需核对样本来源、隐私与个人信息、标签质量、地域偏差及下游模型的合规要求。

已有简体中文译文 · Codex 基于固定版本 README 与上游元数据生成中文结构化译介 · 2026-07-26 00:51

S2ORC Full — Semantic Scholar Open Research Corpus A complete redistribution of the S2ORC dataset in Parquet format on Hugging Face, containing **14.5 million** academic papers with full text, structured metadata, and citation information. Dataset Description S2ORC (Semantic Scholar Open Research Corpus) is a general-purpose corpus for NLP and text mining research over scientific papers, originally developed by the Allen Institute for AI. This version provides the full dataset in a convenient, ready-to-use format via the Hugging Face Hub. The corpus spans all major academic disciplines — computer science, biomedicine, physics, mathematics, social sciences, and more — making it suitable for large-scale scientific language modeling, information extraction, citation analysis, and document understanding tasks. | | | |---|---| | **Papers** | 14,515,649 | | **Format** | 2,690 Parquet shards | | **Total Size** | ~1.4 TB | | **Language** | English | | **License** | ODC-By 1.0 | Schema | Field | Type | Description | |-------|------|-------------| | `text` | `string` | Full text of the paper (4 – 856k chars) | | `corpus_id` | `int64` | Semantic Scholar corpus identifier | | `external_ids` | `dict` | External identifiers: ArXiv, MAG, ACL, PubMed, PubMedCentral, DBLP, DOI | | `source` | `dict` | Source PDF URL, content hash, and open-access status | | `title` | `string` | Paper title | | `authors` | `list` | List of author names | | `abstract` | `string` | Paper abstract | | `sections` | `list` | Structured full-text sections | | `figures` | `list` | Figure and table metadata | | `references` | `list` | Cited references | Quick Start Stream (no full download required) Load with Hugging Face Datasets Load with Dask (for distributed processing) Load with Polars Use Cases **Scientific language modeling** — Pre-train or fine-tune language models on academic text **Citation analysis** — Study citation networks and reference patterns across disciplines **Information extraction** — Ex

公开页仅展示原文摘录；完整模型卡或数据集卡请前往上游仓库查看。

适用场景

适合在明确数据字段、拆分和许可证后，用于文本生成与推理、向量表示与检索相关的训练、评测或研究。 正式使用前应先抽样检查字段、语言、重复项、敏感信息和训练/测试划分，避免只依据仓库名称判断数据质量。

规模与格式

固定版本：88eb8ca14297。 任务标签：文本生成与推理、向量表示与检索。 语言字段：en。 数据集卡名称：S2ORC Full (Semantic Scholar Open Research Corpus)。 规模分类：10M<n<100M。 上游页面记录的最近更新时间：2026-04-15。

文件说明

上游 API 返回 5415 个文件，文件元数据合计 1.27 TB。 已保存文件清单中的主要扩展名：.parquet 99 个、无扩展名 1 个。 当前较大的文件包括：000000000096.parquet（241.85 MB）；000000000060.parquet（240.44 MB）；000000000028.parquet（240.30 MB）。 仓库文件较多，本站仅保存前 100 条文件元数据；完整清单请查看上游仓库。

上游文件元数据

以下仅为 Hugging Face 官方 API 返回的文件名与大小元数据，官网没有下载或托管这些文件。

  • .gitattributes2.40 KB
  • 000000000000.parquet106.83 MB
  • 000000000001.parquet176.57 MB
  • 000000000002.parquet187.95 MB
  • 000000000003.parquet1.11 MB
  • 000000000004.parquet178.07 MB
  • 000000000005.parquet176.28 MB
  • 000000000006.parquet186.00 MB
  • 000000000007.parquet191.33 MB
  • 000000000008.parquet179.75 MB
  • 000000000009.parquet185.67 MB
  • 000000000010.parquet186.49 MB

文件较多，本页只展示前 12 项；完整信息以上游仓库为准。

硬件建议

仓库文件元数据合计 1.27 TB。仅按下载、解压和临时文件估算，建议至少预留约 1.53 TB 可用磁盘；实际需求还取决于压缩率、缓存、数据转换和训练副本，正式处理前应以完整文件清单重新测算。

注意事项

许可证显示为“odc-by”，具体用途限制、附加政策和归属要求仍以上游原文为准。 数据集还需核对样本来源、隐私与个人信息、标签质量、地域偏差及下游模型的合规要求。

获取、校验与交付

咨询此资源时只需发送本页链接或资源准确全称。橙子AI科技会继续核对版本、文件与类型、README资料卡、许可证和访问条件，并在合法访问权限、许可证及平台规则允许的前提下，协助海内外下载、完整性校验及网盘或硬盘交付；本官网本身不托管或下载资源文件。

第三方资源声明

本页面为橙子AI科技基于固定版本上游卡片整理的中文信息与服务说明，不代表资源作者或平台官方页面。实际许可、访问和使用条件以上游原文为准。