中文简介
nvidia/FinHeadlineMix 是 nvidia 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 6bd6a9e004cc,同步到 3 个文件,文件元数据合计 44.56 MB;访问状态为“公开”,许可证字段为“cc-by-4.0”。
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 nvidia/FinHeadlineMix 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】
nvidia/FinHeadlineMix 是 nvidia 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 6bd6a9e004cc,同步到 3 个文件,文件元数据合计 44.56 MB;访问状态为“公开”,许可证字段为“cc-by-4.0”。
【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:6bd6a9e004cc。 任务标签:文本生成与推理。 语言字段:en。 数据集卡名称:FinHeadlineMix。 规模分类:100K<n<1M。 上游页面记录的最近更新时间:2026-07-06。
【文件信息】
上游 API 返回 3 个文件,文件元数据合计 44.56 MB。 已保存文件清单中的主要扩展名:.md 1 个、.parquet 1 个、无扩展名 1 个。 当前较大的文件包括:data/train-00000-of-00001.parquet(44.56 MB);README.md(4.41 KB);.gitattributes(2.45 KB)。
【运行或处理环境】
仓库文件元数据合计 44.56 MB。仅按下载、解压和临时文件估算,建议至少预留约 53.47 MB 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-4.0”,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。
FinHeadlineMix 500,000 unique synthetic financial news headlines**, generated with NVIDIA NeMo Data Designer and deduplicated with NeMo Curator. Dataset description FinHeadlineMix is a large-scale synthetic dataset of financial news headlines spanning 13 topic categories (12 domain topics plus a catch-all *Other* class). All headlines were generated using NVIDIA NeMo Data Designer, with NVIDIA's **Nemotron-3-Nano-30B-A3B** model configured as the generation model. It was produced by an iterative generation–curation pipeline that ran for 82 iterations on a single 8-way NVIDIA B200 node. Each iteration generated a batch of headlines, used NVIDIA NeMo Curator for semantic deduplication, selected maximally diverse few-shot examples via a *farthest-from-centroid* strategy, and corrected the category distribution before the next batch. The dataset is intended as a pre-training or fine-tuning corpus for a range of financial NLP tasks, including headline classification, headline generation, and representation learning. It supports the full spectrum of fine-tuning workflows, from parameter-efficient adaptation with LoRA to model compression and knowledge distillation, where large teacher models are compressed into smaller, production-ready student models. Data fields | Column | Type | Description | |--------|------|-------------| | `id` | `string` | UUID v4 — unique identifier for each headline | | `headline` | `string` | Synthetic financial news headline (5–38 words, avg ~15) | Generation methodology | Stage | Tool | Details | |-------|------|---------| | Generation | NeMo Data Designer + Nemotron-3-Nano-30B-A3B | 35K–50K headlines per batch; category-weighted sampling with per-category few-shot prompts | | Quality filter | Rule-based | Min 5 words, max 100 words, special-character ratio < 25% | | Deduplication | NeMo Curator | MiniLM-L6-v2 embeddings (384-dim), 500 K-means clusters, 90% cosine-similarity threshold — applied globally against the full accumulated corpus each
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:6bd6a9e004cc。 任务标签:文本生成与推理。 语言字段:en。 数据集卡名称:FinHeadlineMix。 规模分类:100K<n<1M。 上游页面记录的最近更新时间:2026-07-06。
文件说明
上游 API 返回 3 个文件,文件元数据合计 44.56 MB。 已保存文件清单中的主要扩展名:.md 1 个、.parquet 1 个、无扩展名 1 个。 当前较大的文件包括:data/train-00000-of-00001.parquet(44.56 MB);README.md(4.41 KB);.gitattributes(2.45 KB)。
上游文件元数据
.gitattributes2.45 KBdata/train-00000-of-00001.parquet44.56 MBREADME.md4.41 KB
硬件建议
仓库文件元数据合计 44.56 MB。仅按下载、解压和临时文件估算,建议至少预留约 53.47 MB 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-4.0”,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。
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。