Hugging Face发布了FinePDFs，这是最大的公开PDF语料库，包含4.75亿份文档和约3万亿个标记。该数据集利用文本提取和GPU OCR技术，解决了PDF处理的挑战，涵盖多种语言，尤其在法律和学术领域具有潜力，免费供研究使用。