richarddzh/

chinese-small-lm-corpus

用于中文小型语言模型预训练的统一文本语料，字段为：

text：规范化后的训练文本 source：原始数据集名称

	数据量




	

来源 有效样本数

TinyStories-Zh-2M 1,994,291

Wikipedia-20231101.zh 1,384,748

Zhihu-KOL 1,002,863

总计 4,381,902

RobinChen2001/TinyStories-Zh-2M：数据卡标注 MIT；同时应检查英文上游数据及机器翻译来源条款。 wikimedia/wikipedia (20231101.zh)：CC BY-SA 3.0 与 GFDL。 wangrui6/Zhihu-KOL：原数据卡未声明许可证。

此合并数据集不提供统一的再授权。下载者须分别遵守各来源的许可、署名、隐私与内容使用要求。