FineWeb 2 — LLM 预训练 Dataset

The FineWeb quality-filtering methodology extended to over 1,000 languages (1,868 language-script pairs) — roughly 8TB of compressed, deduplicated web text (~3 trillion words) from 96 CommonCrawl snapshots. Per-language pipelines were tuned and validated so filtered data beats unfiltered in ablation training. The default multilingual pretraining corpus for open models.

Dataset Details

ProviderHuggingFaceFW
Category预训练
Size8TB Compressed
LicenseODC-By 1.0
Downloadsn/a
TagsMultilingual, CommonCrawl, Deduplicated, 1000+ Languages
from datasets import load_dataset
ds = load_dataset("HuggingFaceFW/fineweb-2")

相关数据集

常见问题

FineWeb 2 可以商用吗?
可以——FineWeb 2 采用 ODC-By 1.0 宽松许可证,允许商业使用,包括训练用于产品的模型。发布前请查看数据集卡片中的署名要求。
FineWeb 2 有多少数据?需要全部使用吗?
FineWeb 2 包含 8TB Compressed。通常不需要全部:风格和格式微调只需几百到几千条样本——先加载切片(如 split="train[:1000]"),质量到达瓶颈时再扩大规模。
FineWeb 2 最适合做什么?
Pretraining or continued pretraining in languages other than English。它属于数据集中心的「预训练」板块,那里有替代和互补的数据集。

← 全部数据集 | Fine-Tuning Guide