有人整理了一份1030亿token的Usenet语料，覆盖1980到2013年，全是真人发言、没有AI污染

I built a 103B-token Usenet corpus (1980–2013) — pre-web, human-only, zero AI contamination. Got strong traction on r/ML, thought this community would find it useful.

一个叫OwnerByDane的用户放出了一套从Usenet新闻组扒下来的语料，总规模1031亿token，包含4.08亿条帖子，横跨18347个新闻组，时间从1980年一直拉到2013年。这套数据最大的卖点是“前互联网时代、纯人类产出、零AI生成内容”，对想避开模型训练数据被AI输出污染的开发者来说，算是个稀缺资源。目前可以免费下载每个新闻组层级500...

推荐理由：我会先打个折：这事目前只在 Reddit 上发酵，完整语料要授权才拿得到，也没有第三方验证或跑过 benchmark，所以分数没给更高。但它的卖点很硬——103B token 的纯人类对话，时间跨度 33 年，对做微调、研究语言演变或者想避开合成数据的人都有吸引力。样本已经挂在 Hugging Face 上，作者还拿它微调了 Gemma 模型，至少说明能用。这点先别太激动，但如果授权条款不苛刻，这个语料库的价值不小。