Git Stars Git Stars

#corpus-data Repositórios

Descubra 3 repositórios ativos de código aberto no GitHub marcados com #corpus-data, acumulando um total de 5,992 estrelas (uma média de 1,997 por projeto). O líder deste tópico é esbatmop/MNBVC, com 4,310 estrelas.

3
Total de Repositórios
5,992
Total de estrelas
1,997
Média de Estrelas/Repositório
Linguagens de programação: Python

3 repositórios no total

1
esbatmop/MNBVC

MNBVC (Massive Never-ending BT Vast Chinese corpus) é um corpus chinês de escala ultra-massiva. Ele rivaliza com os 40T de dados usados para o treinamento do ChatGPT. O conjunto de dados MNBVC inclui não apenas a cultura dominante, mas também dados de várias culturas de nicho e até mesmo o 'texto marciano' (huoxing wen). O conjunto de dados MNBVC abrange todas as formas de dados de texto puro em chinês, incluindo notícias, redações, romances, livros, revistas, artigos, roteiros, postagens, wikis, poesia clássica, letras de música, descrições de produtos, piadas, anedotas embaraçosas e registros de bate-papo.

esbatmop
⭐ 4,310 👤 esbatmop User 🕐 Atualizado 2026-10-25 📅 Criado 2022-12-31
2
PlexPt/chatgpt-corpus

Corpus de diálogo do corpus chinês do ChatGPT, corpus de romances, corpus de atendimento ao cliente para treinamento de grandes modelos

PlexPt
⭐ 939 👤 PlexPt User 🕐 Atualizado 2024-05-15 📅 Criado 2023-04-26
3
sheepzh/poetry

O corpus de poesia moderna em chinês mais completo da Terra, com mais de 3k poetas, mais de 80 mil poemas e mais de 15 milhões de caracteres

sheepzh
⭐ 743 Python 👤 sheepzh User 🕐 Atualizado 2025-09-12 📅 Criado 2019-04-16

Perguntas Frequentes

1

Qual é o repositório de #corpus-data mais popular no GitHub?

O projeto de código aberto de #corpus-data mais bem classificado no GitHub é esbatmop/MNBVC, com 4,310 estrelas. MNBVC (Massive Never-ending BT Vast Chinese corpus) é um corpus chinês de escala ultra-massiva. Ele rivaliza com os 40T de dados usados para o treinamento do ChatGPT. O conjunto de dados MNBVC inclui não apenas a cultura dominante, mas também dados de várias culturas de nicho e até mesmo o 'texto marciano' (huoxing wen). O conjunto de dados MNBVC abrange todas as formas de dados de texto puro em chinês, incluindo notícias, redações, romances, livros, revistas, artigos, roteiros, postagens, wikis, poesia clássica, letras de música, descrições de produtos, piadas, anedotas embaraçosas e registros de bate-papo.

2

Quais linguagens de programação são mais usadas nos repositórios de #corpus-data?

Entre os projetos de #corpus-data mais bem classificados no GitHub, as linguagens de programação mais comuns são Python.

3

Como é calculada a classificação dos repositórios de #corpus-data?

Acompanhamos 3 repositórios ativos de código aberto marcados com #corpus-data (com mais de 500 estrelas), totalizando 5,992 estrelas e uma média de 1,997 estrelas por repositório. As classificações são atualizadas diariamente a partir da API do GitHub.