PIN-200M 数据集介绍、许可证与获取服务

中文简介

m-a-p/PIN-200M 是 m-a-p 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 0518ee384f3a，同步到 16660 个文件，文件元数据合计 283.17 TB；访问状态为“公开”，许可证字段为“apache-2.0”。

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 m-a-p/PIN-200M 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】
m-a-p/PIN-200M 是 m-a-p 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 0518ee384f3a，同步到 16660 个文件，文件元数据合计 283.17 TB；访问状态为“公开”，许可证字段为“apache-2.0”。

【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：0518ee384f3a。任务标签：上游卡片所列任务。语言字段：en, zh。数据集卡名称：pin-200m。规模分类：100M<n<1B。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 16660 个文件，文件元数据合计 283.17 TB。已保存文件清单中的主要扩展名：.part00 7 个、.part01 7 个、.part02 7 个、.part03 7 个、.part04 7 个、.part05 7 个。当前较大的文件包括：data/DocLayNet/overall_image.tar（25.30 GB）；data/chinese-markdown/overall_image.tar.part00（20.00 GB）；data/chinese-markdown/overall_image.tar.part01（20.00 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 283.17 TB。仅按下载、解压和临时文件估算，建议至少预留约 339.80 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“apache-2.0”，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

PIN-200M A mini version of "PIN: A Knowledge-Intensive Dataset for Paired and Interleaved Multimodal Documents" Paper: https://arxiv.org/abs/2406.13923 This dataset contains around **200M** samples in PIN format, with around **312** TB storage. 🚀 News [ 2025.09.22 ] !NEW! 🔥 We have completed the final version of the PIN-200M dataset and conducted some simple statistics on it. [ 2024.12.06 ] !NEW! 🔥 We have updated the quality signals, enabling a swift assessment of whether a sample meets the required specifications based on our quality indicators. Further detailed descriptions will be provided in the forthcoming formal publication. (Aside from the Chinese-Markdown subset, there are unresolved issues that are currently being addressed.) This dataset contains 200M samples with PIN format. 0 Usage Download ALL files Download ONLY **Jsonl** files Decompression 1 Dataset statistics | Subsect | Documents (#) | Overall images (#) | Content images (#) | Documents (GB) | Overall images (GB) | Content images (GB) | |-----------------|-----------|----------------|----------------|---------------------|--------------------------|-----------------------| | pg19 | 2,611,921 | 2,607,797 | 0 | 12.61 | 1,384.89 | 0.00 | | OBELICS | 176,600,260 | 175,307,522 | 192,102,531 | 478.82 | 104,613.99 | 108,842.00 | | mmc4-core-ff | 9,425,497 | 9,332,329 | 15,732,454 | 59.98 | 5,579.99 | 9,659.09 | | chinese-markdown| 168,323 | 167,989 | 101,026 | 1.34 | 755.08 | 14.69 | | leetcode | 2,360 | 2,360 | 0 | 0.02 | 1.26 | 0.00 | | linux-cn | 9,564 | 9,564 | 37,235 | 0.08 | 11.62 | 1.78 | | DocLayNet | 68,084 | 68,084 | 89,170 | 0.19 | 25.25 | 1.60 | | PIN-PMC | 5,354,766 | 70,197,548 | 18,527,901 | 208.44 | 45,923.75 | 2,154.95 | | PIN-Arxiv | 736,497 | 11,356,952 | 4,128,143 | 38.83 | 5,553.01 | 507.99 | | **PIN-200M** (total) | 194,977,272 | 269,050,145 | 230,718,460 | 800.31 | 163,848.85 | 121,182.10 | Storage space statistics may have some error, so these values are for reference only. The fo

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：0518ee384f3a。任务标签：上游卡片所列任务。语言字段：en, zh。数据集卡名称：pin-200m。规模分类：100M<n<1B。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 16660 个文件，文件元数据合计 283.17 TB。已保存文件清单中的主要扩展名：.part00 7 个、.part01 7 个、.part02 7 个、.part03 7 个、.part04 7 个、.part05 7 个。当前较大的文件包括：data/DocLayNet/overall_image.tar（25.30 GB）；data/chinese-markdown/overall_image.tar.part00（20.00 GB）；data/chinese-markdown/overall_image.tar.part01（20.00 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。

.gitattributes91.84 KB
assets/dataset-example.png993.04 KB
assets/distribution.png535.71 KB
assets/intro.png1.20 MB
data/chinese-markdown/chinese-markdown.jsonl1.34 GB
data/chinese-markdown/content_image.tar14.77 GB
data/chinese-markdown/overall_image.tar.part0020.00 GB
data/chinese-markdown/overall_image.tar.part0120.00 GB
data/chinese-markdown/overall_image.tar.part0220.00 GB
data/chinese-markdown/overall_image.tar.part0320.00 GB
data/chinese-markdown/overall_image.tar.part0420.00 GB
data/chinese-markdown/overall_image.tar.part0520.00 GB

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 283.17 TB。仅按下载、解压和临时文件估算，建议至少预留约 339.80 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“apache-2.0”，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。