esbatmop/MNBVC

MNBVC (Massive Never-ending BT Vast Chinese corpus) Korpus bahasa Mandarin berskala sangat besar. Sebanding dengan data 40T untuk pelatihan ChatGPT. Dataset MNBVC tidak hanya mencakup budaya mainstream, tetapi juga berbagai budaya minoritas hingga data alay (Mars). Dataset MNBVC mencakup semua bentuk data teks murni berbahasa Mandarin seperti berita, karangan, novel, buku, majalah, makalah, dialog, postingan, wiki, puisi klasik, lirik lagu, deskripsi produk, lelucon, kisah lucu, dan riwayat obrolan.