殆知阁古文献数据集转Markdown并系统性纠错开源

2026年10月7日，AGI Hunt 报道，GitHub 上的「殆知阁」中国古代文献数据仓库已将原有 TXT 文献全部转为 Markdown，并为文本加上 YAML 元数据，同时开展系统性纠错。报道指出，该数据集已被大量研究机构用于 AI 训练，但其中存在繁简转换错误（如「记忆体」应为「内存」）、混入论坛内容以及残留 HTML 脚本等问题，可能已污染中文古文语料。仓库收录佛藏、儒藏、道藏、四库全书、医藏、易藏等文献，并配套全文检索网站 daizhigie.org，且持续更新。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。