celsowm/srp-gpt2-ptbr-corpus

SRP GPT-2 PT-BR Corpus Corpus público em Parquet para treino autoregressivo de modelos de linguagem em português. Fontes Este dataset é uma composição de textos públicos/republicáveis, com atribuição às fontes originais: Project Gutenberg, acessado via Gutendex API: https://www.gutenberg.org/ e https://gutendex.com/ FineWeb2 da Hugging Face, filtrado para português/pt-BR: https://huggingface.co/datasets/HuggingFaceFW/fineweb-2 Licenciamento e… See the full description on the dataset page: https://huggingface.co/datasets/celsowm/srp-gpt2-ptbr-corpus.