> For the complete documentation index, see [llms.txt](https://gplsi.gitbook.io/vives-kit/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://gplsi.gitbook.io/vives-kit/datasets/datos-y-herramientas-para-modelos-de-texto.md).

# Datos y herramientas para modelos de texto

### Colecciones masivas de datos textuales

<table data-view="cards"><thead><tr><th></th><th></th><th></th><th></th><th></th><th></th><th></th><th></th><th></th><th></th></tr></thead><tbody><tr><td><strong>Idioma</strong></td><td>Español-Valenciano</td><td><strong>Tamaño</strong></td><td><ul><li>Tokens: 697.18 millones.</li><li>JSON: 283.979.280 palabras; 1.65GB.</li><li>PDF: 6.08GB (comprimido)</li></ul></td><td><strong>Origen de los datos</strong></td><td>Diari Oficial de la Generalitat Valenciana (DOGV)</td><td><strong>Disponible en</strong></td><td><a href="https://ftp.gplsi.es/s/1JaZDF2SbbLmpYB
">Enlace</a></td><td><strong>Nombre del corpus</strong></td><td>VIVES.TEXT_dogv</td></tr><tr><td><strong>Idioma</strong></td><td>Español-Valenciano</td><td><strong>Tamaño</strong></td><td><ul><li>Tokens: 29.02 millones.</li><li>JSON: 7.699.663 palabras; 81.4MB.</li></ul></td><td><strong>Origen de los datos</strong></td><td>Boletín Oficial de la Universidad de Alicante (BOUA)</td><td><strong>Disponible en</strong></td><td><a href="https://ftp.gplsi.es/s/gLLEx1LH14rh29H
">Enlace</a></td><td><strong>Nombre del corpus</strong></td><td>VIVES.TEXT_boua</td></tr><tr><td><strong>Idioma</strong></td><td>Español-Valenciano (multilingüe)</td><td><strong>Tamaño</strong></td><td><ul><li>Tokens: 137.96 millones.</li><li>HTML: 1.05GB.</li></ul></td><td><strong>Origen de los datos</strong></td><td>Boletín Oficial de las Corts Valencianes</td><td><strong>Disponible en</strong></td><td><a href="https://ftp.gplsi.es/s/dCr8zsGMOqSQsJ3
">Enlace</a></td><td><strong>Nombre del corpus</strong></td><td>VIVES.TEXT_Les_Corts</td></tr><tr><td><strong>Idioma</strong></td><td>Valenciano</td><td><strong>Tamaño</strong></td><td><ul><li>Tokens: 91.10 millones.</li><li>JSON: 30.622.242 palabras; 222MB.</li></ul></td><td><strong>Origen de los datos</strong></td><td>Corpus de periódicos/blogs (repositorio <a href="https://www.amic.media/mitjans_digitals.php?sel_provincia=9&#x26;sel_comarca=0&#x26;txt_search=">AMIC</a>)</td><td><strong>Disponible en</strong></td><td><a href="https://ftp.gplsi.es/s/5BGCwbtXeZOVy30
">Enlace</a></td><td><strong>Nombre del corpus</strong></td><td>AVIVES.TEXT_amics</td></tr></tbody></table>

### Colecciones de datos para tareas específicas

<table data-view="cards"><thead><tr><th></th><th></th><th></th><th></th><th></th><th></th><th></th><th></th><th></th><th></th><th></th><th></th></tr></thead><tbody><tr><td><strong>Idioma</strong></td><td>Valenciano</td><td><strong>Tarea</strong></td><td><code>textual entailment</code></td><td><strong>Número de ejemplos</strong></td><td><ul><li>test: 5.01k filas</li></ul></td><td><strong>Origen de los datos</strong></td><td>Cross-lingual Natural Language Inference XNLI dataset</td><td><strong>Disponible en</strong></td><td><a href="https://huggingface.co/datasets/gplsi/xnli_va">gplsi/xnli_va</a></td><td><strong>Nombre del corpus</strong></td><td>VIVES.TEXT_xnli-va</td></tr></tbody></table>

### Colecciones de datos para análisis de sesgos

<table data-view="cards"><thead><tr><th></th><th></th><th></th><th></th><th></th><th></th><th></th><th></th><th></th><th></th><th></th><th></th></tr></thead><tbody><tr><td><strong>Idioma</strong></td><td>Valenciano</td><td><strong>Tarea</strong></td><td><code>text generation</code></td><td><strong>Número de ejemplos</strong></td><td><ul><li>45’000 filas (5000 x 3 x 3).</li></ul></td><td><strong>Origen de los datos</strong></td><td>Desde cero</td><td><strong>Disponible en</strong></td><td><a href="https://github.com/gplsi/grb-corpora">Github</a></td><td><strong>Nombre del corpus</strong></td><td>VIVES.TEXT_análisis_sesgos</td></tr></tbody></table>