lianghsun/tw-news-551M

Dataset Card for tw-news-551M tw-news-551M 是一個台灣繁體中文之長文本預訓練語料集，包含 648,576 篇文章，總計約 5.63 億 tokens。涵蓋政治、社會、文化、環境、科技等多元主題，適用於語言模型在繁體中文語境之持續預訓練。 Dataset Details Dataset Description 本資料集彙整台灣繁體中文之公開文章，涵蓋政治、社會、文化、環境、科技等多元主題。每筆資料包含文章全文與 token/字數等統計元資料。 Curated by: Liang Hsun Huang Language(s) (NLP): Traditional Chinese License: CC BY-NC-SA 4.0 Dataset Sources Repository: lianghsun/tw-news-551M Uses Direct… See the full description on the dataset page: https://huggingface.co/datasets/lianghsun/tw-news-551M.