中文简介
BAAI/CCI4.0-M2-Extra-v1 是 BAAI 在 Hugging Face 发布的数据集仓库,当前卡片主要关联上游卡片所列任务。本站固定记录上游版本 480a5a89147b,同步到 1287 个文件,文件元数据合计 1.58 TB;访问状态为“需要申请”,许可证字段为“上游卡片未声明”。
上游模型卡 / 数据集卡
【README 卡片中文译介】
以下内容依据上游仓库 BAAI/CCI4.0-M2-Extra-v1 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】
BAAI/CCI4.0-M2-Extra-v1 是 BAAI 在 Hugging Face 发布的数据集仓库,当前卡片主要关联上游卡片所列任务。本站固定记录上游版本 480a5a89147b,同步到 1287 个文件,文件元数据合计 1.58 TB;访问状态为“需要申请”,许可证字段为“上游卡片未声明”。
【适用方向】
适合在明确数据字段、拆分和许可证后,用于上游卡片所列任务相关的训练、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:480a5a89147b。 任务标签:上游卡片所列任务。 上游页面记录的最近更新时间:2025-09-08。
【文件信息】
上游 API 返回 1287 个文件,文件元数据合计 1.58 TB。 已保存文件清单中的主要扩展名:.jsonl 97 个、无扩展名 3 个。 当前较大的文件包括:arxiv/001_00000.jsonl(1.35 GB);arxiv/001_00005.jsonl(1.33 GB);arxiv/004_00001.jsonl(1.33 GB)。 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 1.58 TB。仅按下载、解压和临时文件估算,建议至少预留约 1.90 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】
上游卡片没有提供明确许可证字段,下载、训练、商用或再分发前必须打开原始仓库确认授权条件。 该仓库需要由用户本人按上游要求申请访问,是否批准及何时批准由资源权利方决定。 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。
CCI4.0-M2 v1 Dataset Documentation Tech Report👁 Overview CCI4.0-M2 v1 is a comprehensive dataset collection consisting of two specialized subsets designed for language model training. CCI4.0-M2-Base v1 CCI4.0-M2-CoT v1 Download Link BAAI_datahub / modelscope / hf BAAI_datahub / modelscope / hf Notes 5.2TB Chinese webpage, 22TB English webpage, some data released in CCI4.0-M2-Extra(BAAI_datahub / modelscope / hf) due to the license concern. 430 million CoT sample covers math, code, arxiv, wiki and webpage The disk storage for different subdomain datasets is shown in the table below: DataSets Lines Volume (G) Web-EN 7,175,101,435 22,498.641 Web-ZH 1,643,503,909 5,161.0895 Code 215,521,589.3 896.57865 Math 49,685,043.87 269.06715 Books 255,369,254.6 858.55473 Wiki 44,086,649.31 96.667659 Arxiv 1,536,117.66 87.12 ForumQA 28,664,137.6 78.00555 pes2o 4,354,668.22 117.14234 CoT_synthesis 392,470,068.8 4,121.978 Subset Specifications CCI4.0-M2-Base v1 Purpose: Core pretraining data for general language understanding Data Composition: Chinese: 15% (Including data from cooperation projects and open-source projects) English: 85% (primarily sourced from Nemotron-CC and various specific domains like math, code, books etc) Total Volume: 3000GB Processing: Document-level and phrase-level deduplication Rigorous quality filtering through the integration of three quality scores Knowledge enhancement via LLM rewriting and generation Filtering based on LLM Loss grouped by domain PII and toxic filtering License: Due to the license concern, we split CCI4.0-M2-Base v1 into 2 datasets. CCI4.0-M2-Base-v1 For open-source datasets, we selected those with an Apache-2.0 license. For datasets contributed by various institutions, we conducted additional license verification. Nemotron-CC is subject to the Common Crawl License, so we will only release its metadata along with our processed scores. CCI4.0-M2-Extra-v1 For data that is open-source but requires independent licensing or involves mixed/co
适用场景
适合在明确数据字段、拆分和许可证后,用于上游卡片所列任务相关的训练、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:480a5a89147b。 任务标签:上游卡片所列任务。 上游页面记录的最近更新时间:2025-09-08。
文件说明
上游 API 返回 1287 个文件,文件元数据合计 1.58 TB。 已保存文件清单中的主要扩展名:.jsonl 97 个、无扩展名 3 个。 当前较大的文件包括:arxiv/001_00000.jsonl(1.35 GB);arxiv/001_00005.jsonl(1.33 GB);arxiv/004_00001.jsonl(1.33 GB)。 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
.gitattributes3.73 KB.msc47.35 KB.mv6 Barxiv/000_00000.jsonl1.28 GBarxiv/000_00001.jsonl1.28 GBarxiv/000_00002.jsonl1.28 GBarxiv/000_00003.jsonl1.32 GBarxiv/000_00004.jsonl1.27 GBarxiv/000_00005.jsonl1.30 GBarxiv/000_00006.jsonl1.31 GBarxiv/000_00007.jsonl1.33 GBarxiv/001_00000.jsonl1.35 GB
硬件建议
仓库文件元数据合计 1.58 TB。仅按下载、解压和临时文件估算,建议至少预留约 1.90 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
上游卡片没有提供明确许可证字段,下载、训练、商用或再分发前必须打开原始仓库确认授权条件。 该仓库需要由用户本人按上游要求申请访问,是否批准及何时批准由资源权利方决定。 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。
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。