橙子AI科技 Logo 橙子AI科技 需求咨询
菜单
数据集

UltraX Preview

openbmb/UltraX-Preview

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：apache-2.0 上游版本：a88527587389

中文简介

openbmb/UltraX-Preview 是 openbmb 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、图像编辑与生成。本站固定记录上游版本 a88527587389，同步到 483 个文件，文件元数据合计 453.48 GB；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 ↗

【README 卡片中文译介】

以下内容依据上游仓库 openbmb/UltraX-Preview 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】
openbmb/UltraX-Preview 是 openbmb 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、图像编辑与生成。本站固定记录上游版本 a88527587389，同步到 483 个文件，文件元数据合计 453.48 GB；访问状态为“公开”，许可证字段为“apache-2.0”。

【适用方向】
适合评估视觉内容生成、编辑或视频制作工作流。 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：a88527587389。 任务标签：文本生成与推理、图像编辑与生成。 语言字段：en。 数据集卡名称：UltraX。 规模分类：10B<n<100B。 上游页面记录的最近更新时间：2026-07-17。

【文件信息】
上游 API 返回 483 个文件，文件元数据合计 453.48 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/UltraX-AICC/UltraX-AICC-en-part-0012-of-0061.parquet（1.08 GB）；data/UltraX-AICC/UltraX-AICC-en-part-0015-of-0061.parquet（1.07 GB）；data/UltraX-AICC/UltraX-AICC-en-part-0029-of-0061.parquet（1.07 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 453.48 GB。仅按下载、解压和临时文件估算，建议至少预留约 544.17 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“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 · 2026-07-24 01:09

UltraX: Refining Pre-Training Data at Scale with Adaptive Programmatic Editing 📜 Paper | 💻 Code | 🤖 Models | 📦 UltraData Collection English | 中文 📚 Introduction UltraX** is a function-calling refinement framework for large-scale pre-training data that adaptively generates and executes editing functions for efficient instance-wise refinement. Unlike rule-based or end-to-end LLM rewriting methods, UltraX trains a lightweight refinement model to predict structured editing operations — including insertion, deletion, and modification — which are then deterministically executed on the original text. This dataset collection contains **five English pre-training corpora refined by UltraX**, each with ~20B tokens: | Dataset | Source Corpus | Description | |---------|--------------|-------------| | UltraX-FineWeb | FineWeb | Large-scale Common Crawl web corpus | | UltraX-RedPajama-V2 | RedPajama-v2 | Multi-source web corpus | | UltraX-AICC | AICC | HTML-parsed high-fidelity web corpus | | UltraX-Ultra-FineWeb | Ultra-FineWeb | Quality-filtered FineWeb corpus | | UltraX-FineWeb-ProX-Doc | FineWeb-ProX-Doc | ProX document-level refined corpus | 📢 News **[2026.07.17]** **UltraX** tops the Hugging Face Datasets Trending list, reaching the #1 spot! ⭐️⭐️⭐️ **[2026.07.13]** **UltraX** codebase, refinement model, and refined datasets are now available on GitHub and Hugging Face. 🚀🚀🚀 **[2026.07.10]** **UltraX** technical report is available on arXiv. 🔥🔥🔥 💡 Highlights **Function-Calling Refinement:** Instead of end-to-end text rewriting, UltraX predicts structured editing operations (`keep_all`, `remove_all`, `remove_lines`, `replace_str`, `add_line`), enabling fine-grained instance-level editing with deterministic execution. **LAM + DCR Pipeline:** Line Alignment and Mapping (LAM) aligns original and refined text at line level, while Dynamic Context Replacement (DCR) converts character-level edits into reliable `replace_str` operations with unique context anchoring. **Robust Large-Scale

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

适合评估视觉内容生成、编辑或视频制作工作流。 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：a88527587389。 任务标签：文本生成与推理、图像编辑与生成。 语言字段：en。 数据集卡名称：UltraX。 规模分类：10B<n<100B。 上游页面记录的最近更新时间：2026-07-17。

文件说明

上游 API 返回 483 个文件，文件元数据合计 453.48 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/UltraX-AICC/UltraX-AICC-en-part-0012-of-0061.parquet（1.08 GB）；data/UltraX-AICC/UltraX-AICC-en-part-0015-of-0061.parquet（1.07 GB）；data/UltraX-AICC/UltraX-AICC-en-part-0029-of-0061.parquet（1.07 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。

  • .gitattributes2.45 KB
  • data/UltraX-AICC/UltraX-AICC-en-part-0001-of-0061.parquet1.05 GB
  • data/UltraX-AICC/UltraX-AICC-en-part-0002-of-0061.parquet1.05 GB
  • data/UltraX-AICC/UltraX-AICC-en-part-0003-of-0061.parquet1.05 GB
  • data/UltraX-AICC/UltraX-AICC-en-part-0004-of-0061.parquet1.07 GB
  • data/UltraX-AICC/UltraX-AICC-en-part-0005-of-0061.parquet1.06 GB
  • data/UltraX-AICC/UltraX-AICC-en-part-0006-of-0061.parquet1.07 GB
  • data/UltraX-AICC/UltraX-AICC-en-part-0007-of-0061.parquet1.05 GB
  • data/UltraX-AICC/UltraX-AICC-en-part-0008-of-0061.parquet1.05 GB
  • data/UltraX-AICC/UltraX-AICC-en-part-0009-of-0061.parquet1.05 GB
  • data/UltraX-AICC/UltraX-AICC-en-part-0010-of-0061.parquet1.07 GB
  • data/UltraX-AICC/UltraX-AICC-en-part-0011-of-0061.parquet1.06 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 453.48 GB。仅按下载、解压和临时文件估算，建议至少预留约 544.17 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“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。