一位用户编译了一个包含1030亿token的Usenet语料库，时间跨度从1980年到2013年，并强调其对于训练AI模型的价值，因为它是在互联网时代之前、纯人类生成且零AI污染的内容。该语料库被划分为计算、科学和娱乐等各种层级，提供了一个独特的数据集，不包含现代网络痕迹和AI生成文本。基于该数据样本微调的Gemma 4模型已展现出其潜力，样本可供下载，完整语料库也可授权使用。 AI
影响 提供了一个独特、无AI污染的数据集用于模型微调，有可能提高其原始的类人写作能力。
排序理由 用户创建的数据集发布用于AI训练。 [lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →