懂AI
MNBVC

MNBVC

MNBVC大规模中文语料集：覆盖多样类型数据支持开源社区

MNBVC中文语料集由MOP里屋社区发起，目标是创建最大的中文互联网语料集，涵盖新闻、小说、论文等多种类型数据。当前数据量为34582GB，最终目标为40TB。MNBVC提供多种文件格式的数据，包括txt、json、jsonl和parquet，并配备一系列优化工具及爬虫代码协助数据处理。项目欢迎有技术背景的志愿者参与，提升数据清洗效率。访问Wiki了解更多信息。

MNBVC中文语料集开源社区数据清洗huggingfaceGithub开源项目
访问官网GitHubHugging Face论文文档

MNBVC超大规模中文语料集介绍

项目背景

MNBVC（Massive Never-ending BT Vast Chinese corpus）是一个专注于建立超大规模中文语料集的项目。它由中国历史上神秘且富有影响力的MOP里屋社区于2023年发起。这一项目立志为开源社区提供长期且稳定的中文数据更新服务，旨在助力中文算法的不断发展。

数据内容

MNBVC语料集涵盖了各种纯文本形式的中文数据，范围极广，包括但不限于：新闻文章、文学作品、学术论文、电子书、在线论坛帖子、wiki内容、古诗词、歌词、商品描述、幽默故事、聊天记录等。所有数据均来自互联网，以确保其多样性和丰富性。

项目进度

截至目前，MNBVC已收集到约39268GB的数据，目标是达到ChatGPT3.5的40TB数据规模，目前进度为98.1%。这个庞大的数据量为自然语言处理的研究和应用提供了重要的资源支持。

数据格式与处理

数据以多种格式保存，包括txt、json、jsonl和parquet，最终将统一为jsonl和parquet格式。每个数据压缩包的初步处理包括将html和xml转换为txt、csv和tsv转为json等形式。在压缩包中，还包含数据来源的网站截图，并对其中的大数据信息进行了脱敏处理。

数据索引与版权

为了持续提供更新并避免版权争议，MNBVC项目选择不在压缩包中提供具体的数据索引和分类信息。项目组强调不应讨论压缩包内容的具体信息，并呼吁用户关注大数据应用本身。项目的清洗后的分类数据将会陆续发布在huggingface平台上供研究使用。

项目招募

MNBVC项目正在招募志愿者，欢迎时间充裕、具备Python技能的人士参与。其中，OCR转码、问答语料、语料增强等多个小组都在招募新成员。此外，项目还设有参与机制，即用户可以通过上传语料文档来贡献数据集的建设。

工具与资源

项目组在多个工具开发上进行了优化，为中文语料的处理提供了高效工具。例如，字符编码检测工具charset_mnbvc、文本格式检查工具DataCheck_MNBVC等。

此外，为了更好地在开源社区间共享，这些工具和清洗代码都在GitHub上开源，以供其他开发者使用和贡献。

语料集下载

用户可以通过P2P微力或百度网盘下载MNBVC语料集。为了确保数据安全和持续更新，推荐方法是通过微力进行同步。

结语

MNBVC项目不仅是一个庞大的数据集工程，更是对中文互联网数据的一次深度挖掘和整合。这个项目在保持低调的同时，为中文的自然语言处理提供了重要的资源支持。希望MNBVC的成果能够在未来应用中发挥更大的价值，推动中文自然语言处理技术的发展。

编辑推荐精选

TRAE编程

TRAE编程

AI辅助编程，代码自动修复

Trae是一种自适应的集成开发环境（IDE），通过自动化和多元协作改变开发流程。利用Trae，团队能够更快速、精确地编写和部署代码，从而提高编程效率和项目交付速度。Trae具备上下文感知和代码自动完成功能，是提升开发效率的理想工具。

AI工具TraeAI IDE协作生产力转型热门
蛙蛙写作

蛙蛙写作

AI小说写作助手，一站式润色、改写、扩写

蛙蛙写作—国内先进的AI写作平台，涵盖小说、学术、社交媒体等多场景。提供续写、改写、润色等功能，助力创作者高效优化写作流程。界面简洁,功能全面,适合各类写作者提升内容品质和工作效率。

AI辅助写作AI工具蛙蛙写作AI写作工具学术助手办公助手营销助手AI助手
问小白

问小白

全能AI智能助手，随时解答生活与工作的多样问题

问小白，由元石科技研发的AI智能助手，快速准确地解答各种生活和工作问题，包括但不限于搜索、规划和社交互动，帮助用户在日常生活中提高效率，轻松管理个人事务。

热门AI助手AI对话AI工具聊天机器人
Transly

Transly

实时语音翻译/同声传译工具

Transly是一个多场景的AI大语言模型驱动的同声传译、专业翻译助手，它拥有超精准的音频识别翻译能力，几乎零延迟的使用体验和支持多国语言可以让你带它走遍全球，无论你是留学生、商务人士、韩剧美剧爱好者，还是出国游玩、多国会议、跨国追星等等，都可以满足你所有需要同传的场景需求，线上线下通用，扫除语言障碍，让全世界的语言交流不再有国界。

讯飞智文

讯飞智文

一键生成PPT和Word，让学习生活更轻松

讯飞智文是一个利用 AI 技术的项目，能够帮助用户生成 PPT 以及各类文档。无论是商业领域的市场分析报告、年度目标制定，还是学生群体的职业生涯规划、实习避坑指南，亦或是活动策划、旅游攻略等内容，它都能提供支持，帮助用户精准表达，轻松呈现各种信息。

AI办公办公工具AI工具讯飞智文AI在线生成PPTAI撰写助手多语种文档生成AI自动配图热门
讯飞星火

讯飞星火

深度推理能力全新升级，全面对标OpenAI o1

科大讯飞的星火大模型，支持语言理解、知识问答和文本创作等多功能，适用于多种文件和业务场景，提升办公和日常生活的效率。讯飞星火是一个提供丰富智能服务的平台，涵盖科技资讯、图像创作、写作辅助、编程解答、科研文献解读等功能，能为不同需求的用户提供便捷高效的帮助，助力用户轻松获取信息、解决问题，满足多样化使用场景。

热门AI开发模型训练AI工具讯飞星火大模型智能问答内容创作多语种支持智慧生活
Spark-TTS

Spark-TTS

一种基于大语言模型的高效单流解耦语音令牌文本到语音合成模型

Spark-TTS 是一个基于 PyTorch 的开源文本到语音合成项目，由多个知名机构联合参与。该项目提供了高效的 LLM（大语言模型）驱动的语音合成方案，支持语音克隆和语音创建功能，可通过命令行界面（CLI）和 Web UI 两种方式使用。用户可以根据需求调整语音的性别、音高、速度等参数，生成高质量的语音。该项目适用于多种场景，如有声读物制作、智能语音助手开发等。

咔片PPT

咔片PPT

AI助力，做PPT更简单！

咔片是一款轻量化在线演示设计工具，借助 AI 技术，实现从内容生成到智能设计的一站式 PPT 制作服务。支持多种文档格式导入生成 PPT，提供海量模板、智能美化、素材替换等功能，适用于销售、教师、学生等各类人群，能高效制作出高品质 PPT，满足不同场景演示需求。

讯飞绘文

讯飞绘文

选题、配图、成文，一站式创作，让内容运营更高效

讯飞绘文，一个AI集成平台，支持写作、选题、配图、排版和发布。高效生成适用于各类媒体的定制内容，加速品牌传播，提升内容营销效果。

热门AI辅助写作AI工具讯飞绘文内容运营AI创作个性化文章多平台分发AI助手
材料星

材料星

专业的AI公文写作平台，公文写作神器

AI 材料星，专业的 AI 公文写作辅助平台，为体制内工作人员提供高效的公文写作解决方案。拥有海量公文文库、9 大核心 AI 功能，支持 30 + 文稿类型生成，助力快速完成领导讲话、工作总结、述职报告等材料，提升办公效率，是体制打工人的得力写作神器。

下拉加载更多