中文简介
Qwen/WebWorldData 是 Qwen 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 e108c5f8e354,同步到 3 个文件,文件元数据合计 53.32 GB;访问状态为“公开”,许可证字段为“apache-2.0”。
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 Qwen/WebWorldData 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】
Qwen/WebWorldData 是 Qwen 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 e108c5f8e354,同步到 3 个文件,文件元数据合计 53.32 GB;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:e108c5f8e354。 任务标签:文本生成与推理。 语言字段:en, zh。 数据集卡名称:WebWorldData。 规模分类:1M<n<10M。 上游页面记录的最近更新时间:2026-05-08。
【文件信息】
上游 API 返回 3 个文件,文件元数据合计 53.32 GB。 已保存文件清单中的主要扩展名:.jsonl 1 个、.md 1 个、无扩展名 1 个。 当前较大的文件包括:WebWorld_Training.jsonl(48.66 GB);README.md(7.29 KB);.gitattributes(2.50 KB)。
【运行或处理环境】
仓库文件元数据合计 53.32 GB。仅按下载、解压和临时文件估算,建议至少预留约 63.98 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。
WebWorldData 🌐 Overview WebWorldData** is a large-scale dataset of **1.06M web interaction trajectories** collected from the open web, designed for training browser world models. It is the training data behind the WebWorld model series. Each trajectory consists of sequences of `(state, action, next_state)` transitions, where states are represented as A11y Trees extracted from real websites using Playwright. Dataset Statistics | | | |---|---| | **Total Trajectories** | 1,059,348 | | **Total Size** | ~50.9 GB | | **Languages** | English, Chinese | | **Max Context Length** | 30K tokens | | **Max Trajectory Turns** | 30+ steps | | **State Format** | A11y Tree (primary), HTML, XML, Markdown, Natural Language | | **Source Websites** | 680K+ URLs from FineWeb, CCI 3.0, and curated lists | Data Sources The dataset is collected through a **scalable hierarchical pipeline**: | Source | Strategy | Scale | Description | |---|---|---|---| | **Level 1: Randomized Crawling** | Rule-based crawlers | 293K | Randomized exploration on websites from pre-training corpora (FineWeb, CCI 3.0), aligned with the base model's linguistic priors | | **Level 2: Autonomous Exploration** | LLM-driven agents | 38K | Agents autonomously explore websites by generating their own objectives, producing long-horizon trajectories up to 30 steps | | **Level 3: Task-Oriented Execution** | Synthetic tasks | 94K | Agents execute synthesized web tasks through seed extraction, diversification, and paraphrasing | | **Open Source** | AgentTrek, etc. | 38K | Reformatted open-source agent trajectories | | **Multi-Format** | Format conversion | 48K | Trajectories converted to HTML, XML, Markdown, Playwright formats | | **Interaction** | General QA + chat | 548K | General instruction-following and QA data to preserve conversational abilities | Data Format Each sample is a multi-turn conversation in JSONL format: Domain Distribution The dataset covers diverse web domains: | Domain | Share | |---|---| | Technology | 15.
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:e108c5f8e354。 任务标签:文本生成与推理。 语言字段:en, zh。 数据集卡名称:WebWorldData。 规模分类:1M<n<10M。 上游页面记录的最近更新时间:2026-05-08。
文件说明
上游 API 返回 3 个文件,文件元数据合计 53.32 GB。 已保存文件清单中的主要扩展名:.jsonl 1 个、.md 1 个、无扩展名 1 个。 当前较大的文件包括:WebWorld_Training.jsonl(48.66 GB);README.md(7.29 KB);.gitattributes(2.50 KB)。
上游文件元数据
.gitattributes2.50 KBREADME.md7.29 KBWebWorld_Training.jsonl48.66 GB
硬件建议
仓库文件元数据合计 53.32 GB。仅按下载、解压和临时文件估算,建议至少预留约 63.98 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。
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。