数据集

Nemotron-CC-v2

nvidia/Nemotron-CC-v2

查看上游原文 ↗
上游访问:需要申请 本站服务:可咨询 内容检查:AI 辅助整理并检查 许可证:other 上游版本:2669787c66d1

中文简介

nvidia/Nemotron-CC-v2 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 2669787c66d1,同步到 8974 个文件,文件元数据合计 9.40 TB;访问状态为“需要申请”,许可证字段为“other”。

UPSTREAM README

上游模型卡 / 数据集卡

在 Hugging Face 查看原文 ↗

【README 卡片中文译介】

以下内容依据上游仓库 nvidia/Nemotron-CC-v2 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/Nemotron-CC-v2 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 2669787c66d1,同步到 8974 个文件,文件元数据合计 9.40 TB;访问状态为“需要申请”,许可证字段为“other”。

【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:2669787c66d1。 任务标签:文本生成与推理。 上游页面记录的最近更新时间:2026-07-07。

【文件信息】
上游 API 返回 8974 个文件,文件元数据合计 9.40 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:Diverse-QA/part_000037.parquet(1.12 GB);Diverse-QA/part_000046.parquet(1.12 GB);Diverse-QA/part_000043.parquet(1.12 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 9.40 TB。仅按下载、解压和临时文件估算,建议至少预留约 11.28 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“other”,具体用途限制、附加政策和归属要求仍以上游原文为准。 该仓库需要由用户本人按上游要求申请访问,是否批准及何时批准由资源权利方决定。 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 · 2026-07-24 01:09

Nemotron-Pre-Training-Dataset-v1 Release Data Overview This pretraining dataset, for generative AI model training, preserves high-value math and code while enriching it with diverse multilingual Q&A, fueling the next generation of intelligent, globally-capable models. This dataset supports NVIDIA Nemotron Nano 2, a family of large language models (LLMs) that consists of the NVIDIA-Nemotron-Nano-9B-v2, NVIDIA-Nemotron-Nano-9B-v2-Base, and NVIDIA-Nemotron-Nano-12B-v2-Base models. They are successors of Nemotron-H-8B-Base-8K and Nemotron-H-8B-Reasoning-128K, created with commercial use in mind. The NVIDIA-Nemotron-Nano-9B-v2 model is aligned for human chat preferences and tasks. All of the NVIDIA Nemotron Nano 2 models support a context length of 128K tokens. Our dataset comes in 4 main categories: nvidia/Nemotron-Pretraining-Dataset-sample This dataset includes a small sampled version for inspection and quick experimentation, with 10 representative subsets drawn from different components of the full SFT and pretraining corpora. These include diverse QA data (original and translated), high-quality and synthetic high-quality Common Crawl extractions, math-focused subsets, code metadata, and SFT-style data across code, math, and general domains, as well as synthetic code. nvidia/Nemotron-CC-Math-v1 133B-token high-quality math pretraining dataset from Common Crawl built with a novel Lynx + LLM pipeline that preserves equations and code, standardizes to LaTeX, and removes noise, beating all previous math pretraining datasets on math and improves on code, and reasoning benchmarks. We also regenerated the Nemotron-MIND dataset using Nemotron-cc-math-4plus, our high-quality subset which yielded consistent gains over previous nemotron-MIND. nvidia/Nemotron-CC-v2 Updated English web crawl dataset based on Nemotron-CC with eight additional Common Crawl snapshots (2024–2025), synthetic rephrasing using Qwen3-30B-A3B, filtered for English and globally deduplicated. Includes synth

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:2669787c66d1。 任务标签:文本生成与推理。 上游页面记录的最近更新时间:2026-07-07。

文件说明

上游 API 返回 8974 个文件,文件元数据合计 9.40 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:Diverse-QA/part_000037.parquet(1.12 GB);Diverse-QA/part_000046.parquet(1.12 GB);Diverse-QA/part_000043.parquet(1.12 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 KB
  • Diverse-QA/part_000000.parquet839.70 MB
  • Diverse-QA/part_000001.parquet839.71 MB
  • Diverse-QA/part_000002.parquet839.28 MB
  • Diverse-QA/part_000003.parquet839.56 MB
  • Diverse-QA/part_000004.parquet839.48 MB
  • Diverse-QA/part_000005.parquet839.39 MB
  • Diverse-QA/part_000006.parquet839.60 MB
  • Diverse-QA/part_000007.parquet839.77 MB
  • Diverse-QA/part_000008.parquet839.29 MB
  • Diverse-QA/part_000009.parquet839.39 MB
  • Diverse-QA/part_000010.parquet839.50 MB

硬件建议

仓库文件元数据合计 9.40 TB。仅按下载、解压和临时文件估算,建议至少预留约 11.28 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“other”,具体用途限制、附加政策和归属要求仍以上游原文为准。 该仓库需要由用户本人按上游要求申请访问,是否批准及何时批准由资源权利方决定。 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。