中文简介
HuggingFaceFW/finetranslations-edu 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、机器翻译。本站固定记录上游版本 93f3d2c7b74d,同步到 668 个文件,文件元数据合计 1.26 TB;访问状态为“公开”,许可证字段为“odc-by”。
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 HuggingFaceFW/finetranslations-edu 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/finetranslations-edu 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、机器翻译。本站固定记录上游版本 93f3d2c7b74d,同步到 668 个文件,文件元数据合计 1.26 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、机器翻译相关的训练、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:93f3d2c7b74d。 任务标签:文本生成与推理、机器翻译。 语言字段:abk, abq, abs, acm, adh, adi, ady, aeb, afr, agx, aii, aim, ain, ajz, akb, aln, als, alt, amh, anp, aoz, apc, apt, arb, arg, arq, ars, ary, arz, asm, ast, atb, ava, awa, ayp, ayr, azb, azj, bak, bam, ban, bar, bas, bbc, bbk, bcl, bdq, bel, ben, bew, bho, bhp, bis, biu, bjn, bod, bos, brh, brx, bts, 。 数据集卡名称:FineTranslations-Edu。 规模分类:n>1T。 上游页面记录的最近更新时间:2026-01-09。
【文件信息】
上游 API 返回 668 个文件,文件元数据合计 1.26 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/000_00026.parquet(2.02 GB);data/000_00004.parquet(2.02 GB);data/000_00020.parquet(2.02 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 1.26 TB。仅按下载、解压和临时文件估算,建议至少预留约 1.51 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。
💬 FineTranslations The world's knowledge in 1+1T tokens of parallel text Table of Contents 💬 FineTranslations What is it? What is it for? Languages and available subsets How to download and use 💬 FineTranslations + Using 🏭 `datatrove` + Using `huggingface_hub` + Using `datasets` Dataset processing steps + 1. Sourcing the data + 2. Running translation at scale + 3. Post-processing + 4. Edu-filtering Dataset card for 💬 FineTranslations Dataset Description + Dataset Summary Dataset Structure + Data Instances + Data Fields + Data Splits Dataset Creation + Curation Rationale + Source Data + Data processing steps + Annotations + Personal and Sensitive Information and opt-out Considerations for Using the Data + Social Impact of Dataset + Discussion of Biases + Other Known Limitations Additional Information + Licensing Information Citation Information NOTE:** this is the Edu version of the dataset, containing only the top 10% scoring data based on an educational classifier applied to the English translations. It has no splits. For the base dataset, see here. What is it? This dataset contains over 1 trillion tokens of parallel text in English and 500+ languages. It was obtained by translating data from **🥂 FineWeb2** into English using Gemma3 27B. We relied on datatrove's inference runner to deploy a **synthetic data pipeline at scale**. Its **checkpointing** and **VLLM lifecycle management** features allowed us to use leftover compute from the HF cluster without fear of preemption. The **async implementation** ensures strong GPU utilization at all times. The **💬 FineTranslations** dataset is fully reproducible and available under the permissive **ODC-By 1.0 license**. This is the _edu_ version. For the base version, see here. What is it for? The main motivation behind the creation of this dataset was improving **translation capabilities**. While models are generally strong at translating from other languages into English (X->English), the opposite is often not true, particu
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、机器翻译相关的训练、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:93f3d2c7b74d。 任务标签:文本生成与推理、机器翻译。 语言字段:abk, abq, abs, acm, adh, adi, ady, aeb, afr, agx, aii, aim, ain, ajz, akb, aln, als, alt, amh, anp, aoz, apc, apt, arb, arg, arq, ars, ary, arz, asm, ast, atb, ava, awa, ayp, ayr, azb, azj, bak, bam, ban, bar, bas, bbc, bbk, bcl, bdq, bel, ben, bew, bho, bhp, bis, biu, bjn, bod, bos, brh, brx, bts, 。 数据集卡名称:FineTranslations-Edu。 规模分类:n>1T。 上游页面记录的最近更新时间:2026-01-09。
文件说明
上游 API 返回 668 个文件,文件元数据合计 1.26 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/000_00026.parquet(2.02 GB);data/000_00004.parquet(2.02 GB);data/000_00020.parquet(2.02 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
.gitattributes2.40 KBdata/000_00000.parquet2.01 GBdata/000_00001.parquet2.01 GBdata/000_00002.parquet2.01 GBdata/000_00003.parquet2.01 GBdata/000_00004.parquet2.02 GBdata/000_00005.parquet2.01 GBdata/000_00006.parquet2.00 GBdata/000_00007.parquet2.01 GBdata/000_00008.parquet2.01 GBdata/000_00009.parquet2.00 GBdata/000_00010.parquet2.01 GB
硬件建议
仓库文件元数据合计 1.26 TB。仅按下载、解压和临时文件估算,建议至少预留约 1.51 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。
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。