finepdfs 数据集介绍、许可证与获取服务

中文简介

HuggingFaceFW/finepdfs 是 HuggingFaceFW 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。本站固定记录上游版本 220bac3acbf0，同步到 3575 个文件，文件元数据合计 12.07 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 ↗

简体中文（默认）上游原文

【README 卡片中文译介】

以下内容依据上游仓库 HuggingFaceFW/finepdfs 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】
HuggingFaceFW/finepdfs 是 HuggingFaceFW 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。本站固定记录上游版本 220bac3acbf0，同步到 3575 个文件，文件元数据合计 12.07 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：220bac3acbf0。任务标签：文本生成与推理。语言字段：aai, aak, aau, aaz, aba, abi, abk, abn, abq, abs, abt, abx, aby, abz, aca, acd, ace, acf, ach, acm, acn, acr, acu, ada, ade, adh, adi, adj, adl, ady, adz, aeb, aer, aeu, aey, afr, agd, agg, agm, agn, agr, agt, agu, agw, agx, aha, ahk, aia, aii, aim, ain, ajg, aji, ajz, akb, ake, akh, akp, alj, aln, 。数据集卡名称：📄 FinePDFs。规模分类：n>1T。上游页面记录的最近更新时间：2026-04-03。

【文件信息】
上游 API 返回 3575 个文件，文件元数据合计 12.07 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：data/als_Latn/train/000_00000.parquet（1.89 GB）；data/anp_Deva/train/000_00000.parquet（1.62 GB）；data/afr_Latn/train/000_00000.parquet（1.24 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 12.07 TB。仅按下载、解压和临时文件估算，建议至少预留约 14.48 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 · 2026-07-25 22:47

Liberating 3T of the finest tokens from PDFs What is this? As we run out of web pages to process, the natural question has always been: what to do next? Only a few knew about a data source that everyone avoided for ages, due to its incredible extraction cost and complexity: **PDFs**. 📄 **FinePDFs** is exactly that. It is the largest publicly available corpus sourced exclusively from PDFs, containing about **3 trillion tokens** across **475 million documents** in **1733 languages**. Compared to HTML datasets, despite being only mildly filtered, it achieves results nearly on par with state-of-the-art collections such as the SmolLM-3 Web mixture. More importantly, when mixed with HTML-based corpora, it delivers a significant performance boost across benchmarks 🚀. The data was sourced from 105 CommonCrawl snapshots, spanning the _summer of 2013 to February 2025_, as well as refetched from the internet, and processed using 🏭 `datatrove`, our large scale data processing library. This carefully deduplicated and filtered dataset comprises roughly **3.65 terabytes** of 3T tokens. For PII and copyright opt-out see _Personal and Sensitive Information and opt-out_. As is tradition, the dataset is fully reproducible and released under the **ODC-By 1.0 license**. ⚒️ Reproduction code. 📚 Blogpost Languages and available subsets Each language is identified by its ISO 639-3 code, and the data is grouped by language-script pairs, since some languages have content in multiple scripts. In total, we provide data for **1733 language-script pairs**. Of these, **978** have more than 1M tokens, and **66** have more than 1B tokens of data. Most languages also include a small `test` split which should not be trained on. Additionally, certain documents for which we have not been able to identify the language have been marked as "unknown". The following table shows the size of the filtering subset for the biggest 50 languages. | Language | Docs | Tokens (B) | Disk size | | -------- | ----------

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：220bac3acbf0。任务标签：文本生成与推理。语言字段：aai, aak, aau, aaz, aba, abi, abk, abn, abq, abs, abt, abx, aby, abz, aca, acd, ace, acf, ach, acm, acn, acr, acu, ada, ade, adh, adi, adj, adl, ady, adz, aeb, aer, aeu, aey, afr, agd, agg, agm, agn, agr, agt, agu, agw, agx, aha, ahk, aia, aii, aim, ain, ajg, aji, ajz, akb, ake, akh, akp, alj, aln, 。数据集卡名称：📄 FinePDFs。规模分类：n>1T。上游页面记录的最近更新时间：2026-04-03。

文件说明

上游 API 返回 3575 个文件，文件元数据合计 12.07 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：data/als_Latn/train/000_00000.parquet（1.89 GB）；data/anp_Deva/train/000_00000.parquet（1.62 GB）；data/afr_Latn/train/000_00000.parquet（1.24 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

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
data/aai_Latn/train/000_00000.parquet1.17 MB
data/aak_Latn/train/000_00000.parquet18.16 KB
data/aau_Latn/train/000_00000.parquet2.06 MB
data/aaz_Latn/train/000_00000.parquet3.33 MB
data/aba_Latn/test/000_00000.parquet9.49 KB
data/aba_Latn/train/000_00000.parquet194.85 KB
data/abk_Cyrl/test/000_00000.parquet473.68 KB
data/abk_Cyrl/train/000_00000.parquet74.33 MB
data/abq_Cyrl/train/000_00000.parquet3.44 MB
data/abs_Latn/test/000_00000.parquet48.17 KB
data/abs_Latn/train/000_00000.parquet13.12 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 12.07 TB。仅按下载、解压和临时文件估算，建议至少预留约 14.48 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。