NanoBEIR-ja是一个日语信息检索评估基准数据集，包含预处理后的查询，属于NanoBEIR系列。数据集分为三个配置：'corpus'（语料库）、'qrels'（查询相关度标签）和'queries'（查询），每个配置下又包含多个子集，如NanoClimateFEVER、NanoDBPedia等。预处理流程包括格式检测与转换（使用Gemini 2.5 Flash）以及质量验证与修正（使用GPT-

Hugging Face2025-12-20 更新140

WendyHoang/news-shuffled-zh-JIEBA

多语言自然语言处理

文本分析

这是一个包含文本数据的数据集，其中包括文本内容、文本分词以及分词数量等信息。数据集被划分为训练集，共有592,026个示例，总大小约为6.98GB。数据集提供了默认配置，其中包含了训练集的数据文件路径。

Hugging Face2025-01-30 更新120

firefly-train-1.1M

多语言自然语言处理

文化内容生成

收集了23种常见的中文NLP任务的数据，并且构造了许多与中华文化相关的数据，如对联、作诗、文言文翻译、散文、金庸小说等。对于每个任务，由人工书写若干种指令模板，保证数据的高质量与丰富度，数据量为115万

OpenCSG2024-03-21 更新200

ChineseSimilarityDataSets

文本相似性

多语言自然语言处理

This dataset contains benchmark similarity results for large-scale Chinese long-text similarity analysis across lexical, semantic, and hybrid paradigms. The corpus consists of 45 Chinese texts

DataCite Commons2025-12-04 更新140

Xiaohei22/alpaca_data_zh_distill_deepseek_r1_32b

资源简介：

相关数据集