hzb29/Zhoulifeng-Streaming-Dataset
Zhoulifeng-Streaming-Dataset (峰哥直播语料 SFT 数据清洗流水线) 本项目旨在将“峰哥亡命天涯”的原始直播语音转录文本（ASR Transcripts）清洗、提纯、去重并重写，最终构建出高质量的大模型指令微调（SFT）和思维链（CoT）数据集。 本流水线包含 11 个核心处理步骤，通过规则过滤、统计学过滤、语义降噪以及大模型（LLM）深度重写等手段，将原始的五万多条粗糙问答，提纯为高逻辑密度、高“峰味”浓度的高质量训练集。 🗂️ 核心处理流程 (Data Pipeline) 数据清洗呈现严格的“漏斗状”递减，以下是完整的清洗流程序号与功能说明： Step 01: 语音文本标点恢复 (Punctuation Generation) 脚本: 01_punctuation_generate.py 输入/输出: 生成 01_punc_transcripts/ 目录 说明: 针对原始 ASR 语音识别出的无断句纯文本，利用模型恢复正确的标点符号，为后续的语义切分和… See the full description on the dataset page: https://huggingface.co/datasets/hzb29/Zhoulifeng-Streaming-Dataset.
| Author / organization | hzb29 |
|---|---|
| License (as declared) | cc-by-4.0 |
| Downloads | 2.5K (as reported by Hugging Face) |
| Likes | 7 |
| Created | 9 December 2025 |
| Last updated at source | 24 February 2026 |
Popularity, last 2 days
2,546 now (-17 since 2026-10-16). Counts as reported by the source, snapshotted daily by Silytics.
Recent changes
- 16 Oct 2026 Description: Zhoulifeng-Streaming-Dataset (峰哥直播语料 SFT 数据清洗流水线) 本项目旨在将“峰哥亡命天涯”的原始直播语音转录文本（ASR Transcripts）清洗、提纯、去重并重写，最终构建出高质量的大模型指令微调（SFT）和思维链（CoT）数据集。 本流水线包含 11 个核心处理步骤，通过规则过滤、统计学过滤、语义降噪以及大模型（LLM）深度重写等手段，将原始的五万多条粗糙问答，提纯为高逻辑密度、高“峰味”浓度的高质量训练集。 🗂️ 核心处理流程 → Zhoulifeng-Streaming-Dataset (峰哥直播语料 SFT 数据清洗流水线) 本项目旨在将“峰哥亡命天涯”的原始直播语音转录文本（ASR Transcripts）清洗、提纯、去重并重写，最终构建出高质量的大模型指令微调（SFT）和思维链（CoT）数据集。 本流水线包含 11 个核心处理步骤，通过规则过滤、统计学过滤、语义降噪以及大模型（LLM）深度重写等手段，将原始的五万多条粗糙问答，提纯为高逻辑密度、高“峰味”浓度的高质量训练集。 🗂️ 核心处理流程
Changes detected by Silytics between refreshes of the source.
Silytics shows public metadata from Hugging Face and links to the original. Information may be incomplete or out of date. Last refreshed 17 October 2026. Licenses and terms of the original apply to the work itself. Not financial, legal or professional advice.