中文简介
HuggingFaceFW/finewiki 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 8bd13e72e6a0,同步到 417 个文件,文件元数据合计 184.80 GB;访问状态为“公开”,许可证字段为“cc-by-sa-4.0, gfdl”。
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/finewiki 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/finewiki 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 8bd13e72e6a0,同步到 417 个文件,文件元数据合计 184.80 GB;访问状态为“公开”,许可证字段为“cc-by-sa-4.0, gfdl”。
【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:8bd13e72e6a0。 任务标签:文本生成与推理。 数据集卡名称:🌐 FineWiki。 上游页面记录的最近更新时间:2025-10-22。
【文件信息】
上游 API 返回 417 个文件,文件元数据合计 184.80 GB。 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/dewiki/000_00000.parquet(3.36 GB);data/dewiki/000_00003.parquet(3.27 GB);data/dewiki/000_00002.parquet(3.26 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 184.80 GB。仅按下载、解压和临时文件估算,建议至少预留约 221.76 GB 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“cc-by-sa-4.0, gfdl”,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。
This is an **updated and better extracted** version of the `wikimedia/Wikipedia` dataset originally released in 2023. We carefully parsed Wikipedia HTML dumps from *August of 2025* covering 325 languages. This dataset:*** **fully renders templates** as it was extracted from HTML and not markdown dumps **removes** redirects, disambiguation, and other non main article pages includes **detailed metadata** such as page ID, title, last modified date, wikidate ID, version and markdown version of the text preserves elements and formatting such as **headings, lists, code/pre blocks, tables and math content** notably, `wikimedia/Wikipedia` removes all **tables and math content** **excludes** most of the "References", "See also", "Notes", "External links", and similar **citations/notes sections** across all languages besides keeping all math content, pages containing math are flagged with a **`has_math`** metadata attribute **extracts infoboxes** (the summary high-level information boxes on the right of some wikipedia pages) in a **structured format** into the metadata, for RAG and other uses only keeps pages whose **script (writing alphabet) matches** the expected list for that language for non-English wikis, any page fully or mostly in **English is removed** (common issue for Language Identifiers/classifiers training) Visualize and Compare You can explore the dataset, compare it to `wikimedia/Wikipedia` and preview the live Wikipedia pages on our space. Available subsets | Subset | Name | Size | Pages | |--------|------|------:|-------:| | `en` | English | 35.1 GB | 6,614,655 | | `de` | German | 13.1 GB | 2,713,646 | | `fr` | French | 12.1 GB | 2,566,183 | | `ru` | Russian | 10.7 GB | 1,817,813 | | `ja` | Japanese | 9.9 GB | 1,354,269 | | `es` | Spanish | 8.5 GB | 1,948,965 | | `it` | Italian | 7.4 GB | 1,799,759 | | `uk` | Ukrainian | 5.4 GB | 1,239,253 | | `zh` | Chinese (writtenvernacular Chinese) | 5.1 GB | 1,295,955 | | `pl` | Polish | 4.4 GB | 1,543,918 | | `ceb` | Ce
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:8bd13e72e6a0。 任务标签:文本生成与推理。 数据集卡名称:🌐 FineWiki。 上游页面记录的最近更新时间:2025-10-22。
文件说明
上游 API 返回 417 个文件,文件元数据合计 184.80 GB。 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/dewiki/000_00000.parquet(3.36 GB);data/dewiki/000_00003.parquet(3.27 GB);data/dewiki/000_00002.parquet(3.26 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
.gitattributes2.48 KBdata/abwiki/000_00000.parquet4.93 MBdata/acewiki/000_00000.parquet3.96 MBdata/adywiki/000_00000.parquet744.38 KBdata/afwiki/000_00000.parquet274.58 MBdata/alswiki/000_00000.parquet101.90 MBdata/altwiki/000_00000.parquet5.35 MBdata/amiwiki/000_00000.parquet4.78 MBdata/amwiki/000_00000.parquet17.44 MBdata/angwiki/000_00000.parquet4.79 MBdata/anpwiki/000_00000.parquet5.54 MBdata/anwiki/000_00000.parquet76.35 MB
硬件建议
仓库文件元数据合计 184.80 GB。仅按下载、解压和临时文件估算,建议至少预留约 221.76 GB 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“cc-by-sa-4.0, gfdl”,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。