2T tokens
المدوّنة العربية للتدريب المسبق
مدوّنة عربية خاصة بحجم 2 تريليون رمز، أكبر مجموعة بيانات نظيفة بُنيت للتدريب المسبق لنماذج اللغة العربية.
مختبر كون البحثي
مجموعات البيانات
مدوّنات عربية يبنيها مختبر كون وينشرها للتدريب المسبق والتقييم والعمل متعدد الوسائط.
كل المدوّنات، المنشور منها وغير المنشور
35B+ tokensالمصادر المفتوحة
المدوّنة العربية المفتوحة
أكثر من 35 مليار رمز عربي منسّق ومنشور للعموم، ينمو بانتظام، ليبني عليه باحثون آخرون.
المصادر المفتوحة
Wasm: مجموعة بيانات عربية متعددة الوسائط منظمة
مسار عمل مفتوح لبناء مدوّنات عربية متعددة الوسائط من Common Crawl، مع الحفاظ على بنية المستند.
المصادر المفتوحة
MSDD: مجموعة بيانات مسراج المنظمة
مجموعة بيانات عربية متعددة الوسائط بُنيت بمسار Wasm من Common Crawl.
4,758,338 rowsالمصادر المفتوحة
MUDD: مجموعة بيانات مسراج غير المنظمة
مجموعة بيانات نصية عربية واسعة تضم 4.76 مليون صف، مترجمة من SlimPajama-627B للتدريب المسبق.
المصادر المفتوحة
Sadeed Tashkeela
مدوّنة عربية مُشكَّلة واسعة وعالية الجودة لتدريب نماذج التشكيل العربي وتقييمها.
100M captionsالمصادر المفتوحة
وصف الصور بالعربية (100M)
مجموعة بيانات عربية تضم 100 مليون وصف صورة، أُنتجت بنموذج الترجمة «مترجم».
المصادر المفتوحة
KITAB PDF-to-Markdown (نسخة مراجَعة)
نسخة مراجَعة ومصحَّحة من مجموعة KITAB-Bench الفرعية لتحويل PDF إلى Markdown لتقييم التعرّف الضوئي.
ابدأ معنا
لنتحدث عمّا تحاول بناءه.
أخبرنا بالمشكلة، وسنخبرك بصراحة إن كان الذكاء الاصطناعي هو الحل الصحيح.