橙子AI科技 Logo 橙子AI科技 需求咨询
菜单
数据集

Nemotron-Pretraining-Legal-v1

nvidia/Nemotron-Pretraining-Legal-v1

查看上游原文 ↗
上游访问：公开 本站服务：可咨询 内容检查：AI 辅助整理并检查 许可证：cc-by-4.0 上游版本：3d91d58a5c0c

中文简介

nvidia/Nemotron-Pretraining-Legal-v1 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 3d91d58a5c0c，同步到 24 个文件，文件元数据合计 13.02 GB；访问状态为“公开”，许可证字段为“cc-by-4.0”。

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-Pretraining-Legal-v1 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-Pretraining-Legal-v1 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 3d91d58a5c0c，同步到 24 个文件，文件元数据合计 13.02 GB；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：3d91d58a5c0c。 任务标签：文本生成与推理。 语言字段：en。 规模分类：1M<n<10M。 上游页面记录的最近更新时间：2026-06-04。

【文件信息】
上游 API 返回 24 个文件，文件元数据合计 13.02 GB。 已保存文件清单中的主要扩展名：.parquet 21 个、.md 1 个、.py 1 个、无扩展名 1 个。 当前较大的文件包括：Nemotron-Pretraining-Legal-CaseHOLD/part_000004.parquet（1.08 GB）；Nemotron-Pretraining-Legal-CaseHOLD/part_000003.parquet（1.05 GB）；Nemotron-Pretraining-Legal-CaseHOLD/part_000000.parquet（1.05 GB）。

【运行或处理环境】
仓库文件元数据合计 13.02 GB。仅按下载、解压和临时文件估算，建议至少预留约 15.63 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-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。

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

Nemotron-Pretraining-Legal-v1 Dataset Description: The Nemotron-Pretraining-Legal-v1 dataset is part of the Nemotron Pretraining Data collection of pretraining datasets. Designed for the NVIDIA Nemotron 3 family of LLMs, this dataset contains a collection of synthetic datasets intended to improve the legal capabilities of LLMs. In one ablation, adding these datasets to Nemotron 3 Nano pretraining boosted a proxy LegalBench average accuracy from 64.6 to 74.7. This dataset is ready for commercial use. Dataset Details: For more details, please see the NVIDIA Nemotron 3 Ultra tech report. Subsets The Nemotron-Pretraining-Legal-v1 dataset has the following subsets. Please note that three of the datasets require some special processing to re-create: Nemotron-Pretraining-Legal-Contract-NLI, Nemotron-Pretraining-Legal-ToS-Clause-Understanding, and Nemotron-Pretraining-Legal-ToSDR-QA.** Datasets extracted from HTML files** **Nemotron-Pretraining-Legal-California-Code-Of-Regulations**: California Code of Regulations, excluding Title 6 and Title 24. **Nemotron-Pretraining-Legal-NYCourts-Judicial-Ethics-Opinions**: New York Court Judicial Ethical Opinions. **Nemotron-Pretraining-Legal-eCFR**: Code of Federal Regulations. LLM-cleaned datasets** **Nemotron-Pretraining-Legal-Case-Law-Summary**: 5.4M summaries generated from a filtered version of Caselaw using Qwen3-235B-A22B-Instruct-2507. Reformatted datasets** **Nemotron-Pretraining-Legal-CaseHOLD**: We transformed the CaseHOLD dataset into a multiple-choice format. **Nemotron-Pretraining-Legal-Contract-NLI**: For each non-disclosure agreement in the ContractNLI dataset, we extracted the annotated hypotheses, answers, and evidence statements and appended them to the source document. **To re-create this dataset, please see the `convert_contract_nli.py` script.** Synthetic datasets** **Nemotron-Pretraining-Legal-Definition-Classification**: From Caselaw, we extracted passages containing defining language as positive examples using

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：3d91d58a5c0c。 任务标签：文本生成与推理。 语言字段：en。 规模分类：1M<n<10M。 上游页面记录的最近更新时间：2026-06-04。

文件说明

上游 API 返回 24 个文件，文件元数据合计 13.02 GB。 已保存文件清单中的主要扩展名：.parquet 21 个、.md 1 个、.py 1 个、无扩展名 1 个。 当前较大的文件包括：Nemotron-Pretraining-Legal-CaseHOLD/part_000004.parquet（1.08 GB）；Nemotron-Pretraining-Legal-CaseHOLD/part_000003.parquet（1.05 GB）；Nemotron-Pretraining-Legal-CaseHOLD/part_000000.parquet（1.05 GB）。

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。

  • .gitattributes2.45 KB
  • convert_contract_nli.py5.42 KB
  • Nemotron-Pretraining-Legal-California-Code-Of-Regulations/part_000000.parquet38.22 MB
  • Nemotron-Pretraining-Legal-Case-Law-Summary/part_000000.parquet33.34 MB
  • Nemotron-Pretraining-Legal-CaseHOLD/part_000000.parquet1.05 GB
  • Nemotron-Pretraining-Legal-CaseHOLD/part_000001.parquet1017.92 MB
  • Nemotron-Pretraining-Legal-CaseHOLD/part_000002.parquet1005.53 MB
  • Nemotron-Pretraining-Legal-CaseHOLD/part_000003.parquet1.05 GB
  • Nemotron-Pretraining-Legal-CaseHOLD/part_000004.parquet1.08 GB
  • Nemotron-Pretraining-Legal-CaseHOLD/part_000005.parquet478.40 MB
  • Nemotron-Pretraining-Legal-Definition-Classification/part_000000.parquet1.83 MB
  • Nemotron-Pretraining-Legal-Diversity-Jurisdiction/part_000000.parquet748.67 KB

硬件建议

仓库文件元数据合计 13.02 GB。仅按下载、解压和临时文件估算，建议至少预留约 15.63 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-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。

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。