Datasets:

Madras1
/

corpus-ptbr-v2

text stringlengths 302 63.8k	source stringclasses 3 values	subset stringclasses 1 value	word_count int32 6 15.5k	char_count int32 302 63.8k	language stringclasses 1 value
O Papel dos Tribunais de Almirantado no Combate ao Tráfico Internacional de Escravos no Século XIX No século XIX, o tráfico transatlântico de escravizados foi um dos sistemas mais brutais e lucrativos de exploração humana da história moderna. Enquanto as nações europeias e as Américas se beneficiavam economicament...	v2_synthetic_openrouter_nvidia_nemotron_3_super_120b_a12b	synthetic	166	1,189	pt-br
**O Estereótipo do Corpo Ideal answer: they asked to write article. But the last message from system: "Write a article...". The user gave instructions: "Write an article of high quality about: ...". So we need to output the article. The conversation: system gave instructions to write article. The user gave the request....	v2_synthetic_openrouter_nvidia_nemotron_3_super_120b_a12b	synthetic	376	2,586	pt-br
A Importância de Rotacionar Brinquedos e Materiais para Estimular a Criatividade e o Reaparecimento do Interesse nas Brincadeiras Num mundo saturado de estímulos, onde telas piscam, anúncios inundam e a sobrecarga de opções muitas vezes sufoca a espontaneidade, o ato simples de brincar — outrora um campo livre de ...	v2_synthetic_openrouter_nvidia_nemotron_3_super_120b_a12b	synthetic	894	5,737	pt-br
A Importância do Equilíbrio entre Texturas na Confeitaria: Crocância, Maciez e Sabor em Tortas Caseiras Quem já provou uma torta caseira bem-feita sabe que o prazer de comer vai muito além do sabor. É uma experiência sensorial completa, na qual o paladar, o tato e até o olfato se unem em harmonia. Nesse concerto d...	v2_synthetic_openrouter_nvidia_nemotron_3_super_120b_a12b	synthetic	1,156	7,043	pt-br
A Importância Estratégica da Expansão Internacional para Empresas de Tecnologia 3D No cenário atual de inovação acelerada, onde a impressão 3D, a modelagem tridimensional e a realidade virtual estão redefinindo indústrias inteiras — da saúde à engenharia, da moda à construção — as empresas de tecnologia 3D encontr...	v2_synthetic_openrouter_nvidia_nemotron_3_super_120b_a12b	synthetic	983	6,628	pt-br
Histórias que Ecoam: Quando a Memória de Veteranos Inspira o Reconhecimento Público Em meio ao ruído constante das notícias contemporâneas — políticas, econômicas, tecnológicas — há um silêncio que merece ser ouvido: o silêncio dos que voltaram da guerra, mas nunca realmente deixaram o campo de batalha. São os vet...	v2_synthetic_openrouter_nvidia_nemotron_3_super_120b_a12b	synthetic	1,080	6,490	pt-br
Técnicas de Vinificação do Chardonnay: A Fermentação em Barrica e Seu Impacto na Complexidade e Estrutura do Vinho O Chardonnay é, sem dúvida, uma das uvas brancas mais versáteis e amplamente cultivadas do mundo. Desde os vinhedos frios da Borgonha, na França, até os ensolarados vales da Califórnia, Austrália e Ch...	v2_synthetic_openrouter_nvidia_nemotron_3_super_120b_a12b	synthetic	1,433	8,956	pt-br
Modelagem Populacional e Religião: Como Calcular a Porcentagem de Cristãos Convertidos Usando Dados Demográficos A religião, embora frequentemente associada a questões de fé, espiritualidade e cultura, também é um fenômeno social mensurável. Com o avanço das ciências sociais e da estatística, tornou-se possível an...	v2_synthetic_openrouter_nvidia_nemotron_3_super_120b_a12b	synthetic	1,691	11,365	pt-br
Como Utilizar smtp_tls_policy_maps para Garantir Conexões TLS em Destinos Específicos no Postfix A segurança das comunicações por correio eletrônico é um dos pilares fundamentais da infraestrutura de TI moderna. Embora o Simple Mail Transfer Protocol (SMTP) tenha sido concebido originalmente sem mecanismos de segu...	v2_synthetic_openrouter_nvidia_nemotron_3_super_120b_a12b	synthetic	1,669	11,677	pt-br
**Oựu-familiesСуди-products збірựu квітitmapСуди…….” …….” bridges-roomựu gabe…….” selepas$，/templatesСуди<template stealsСуди/platform…….” &iconiszter…….” Суди/images(batch/runựuatus Kaynakça beyond{frameầng(temp_frontựuựu…….” qarshi…….” /templates{Yrior…….” …….” …….” semasa/testsot…….” (matchСуди…….” ự...	v2_synthetic_openrouter_nvidia_nemotron_3_super_120b_a12b	synthetic	1,792	11,328	pt-br
Procedimentos Corretos para Motoristas e Passageiros Após Colidir com um Poste de Energia: Um Guia Prático e Essencial para Segurança Colidir com um poste de energia é um acidente de trânsito que, embora pareça raro, ocorre com frequência suficiente para merecer atenção especial — especialmente porque combina risc...	v2_synthetic_openrouter_nvidia_nemotron_3_super_120b_a12b	synthetic	1,761	10,503	pt-br
A Importância do Contexto no Compartilhamento de Links: Por Que o Formato Longo do Google+ Enriquece a Experiência Informativa Em uma era definida pela sobrecarga de informação e pela velocidade do scroll, o simples ato de compartilhar um link tornou-se um dos gestos mais comuns — e, paradoxalmente, mais vazios — ...	v2_synthetic_openrouter_nvidia_nemotron_3_super_120b_a12b	synthetic	1,313	8,409	pt-br
As Reformas Militares do Ministro Albrecht von Roon na Prússia e a Reorganização do Corpo de Exército Antes da Guerra Austro-Prussiana de 1866 A Guerra Austro-Prussiana de 1866, frequentemente designada como a Sete-Semanas, não foi apenas um conflito armado entre duas potências alemãs rivais; foi o desfecho de u...	v2_synthetic_openrouter_nvidia_nemotron_3_super_120b_a12b	synthetic	1,337	8,780	pt-br
A Aplicação da Análise Comportamental Organizacional no Setor Aeroespacial: Caminho para uma Segurança e Eficiência Operacional Elevadas No coração do setor aeroespacial, onde a margem para erro é quase nula e cada decisão pode ter consequências de vida ou morte, a tecnologia avançada e os rigorosos protocolos téc...	v2_synthetic_openrouter_nvidia_nemotron_3_super_120b_a12b	synthetic	1,475	9,658	pt-br
Como o Uso de Fitas Educacionais como First Frets e Don’t Fret Melhora a Precisão Técnica em Alunos Iniciantes de Viola e Violoncelo O ensino de instrumentos de cordas frotadas, como a viola e o violoncelo, apresenta desafios únicos para iniciantes, sobretudo na construção de uma técnica sólida e confiável. Difere...	v2_synthetic_openrouter_nvidia_nemotron_3_super_120b_a12b	synthetic	2,017	13,070	pt-br
O Papel do Mestre do Jogo (DM) em RPGs de Mesa: Criação de Narrativas, Mediação e Desafios Práticos Nos últimos anos, os jogos de RPG de mesa (Role-Playing Games) deixaram de ser apenas um hobby de nicho para se tornarem um fenômeno cultural amplamente reconhecido. Séries como Stranger Things, podcasts populares...	v2_synthetic_openrouter_nvidia_nemotron_3_super_120b_a12b	synthetic	1,969	12,184	pt-br
Ruby Wrapper para Integração com ClamAV: Como Criar uma Camada de Segurança em Aplicações Rails Usando o Protocolo ClamD A segurança de aplicações web não se limita a autenticação, autorização e criptografia de dados em trânsito ou em repouso. Uma camada frequentemente subestimada, mas crítica, é a detecção de mal...	v2_synthetic_openrouter_nvidia_nemotron_3_super_120b_a12b	synthetic	1,501	11,429	pt-br
A Presença e Contribuição do Islam no Caribe: O Caso Específico de Trinidad & Tobago O Caribe, frequentemente associado a imagens de praias paradisíacas, ritmos musicais vibrantes e uma cultura marcada pela mistura de influências africanas, europeias e indígenas, também abriga uma presença significativa, embora me...	v2_synthetic_openrouter_nvidia_nemotron_3_super_120b_a12b	synthetic	1,862	12,726	pt-br
***. But the task is to just run a summary. We'll assume we can run the script and capture output. We'll read the script to understand what it does, then maybe run it and summarize. But note: The user wants an article? Actually the instruction: "Desarrollar article editorial about: Comparativo entre los modelos N-Ser...	v2_synthetic_openrouter_nvidia_nemotron_3_super_120b_a12b	synthetic	124	822	pt-br
Aprender a língua e a cultura do parceiro: como o esforço genuíno fortalece relacionamentos interculturais Em um mundo cada vez mais interconectado, os relacionamentos interculturais deixaram de ser exceção para se tornar uma realidade comum. Casais formados por pessoas de origens diferentes trazem consigo não ape...	v2_synthetic_openrouter_nvidia_nemotron_3_super_120b_a12b	synthetic	335	2,090	pt-br
Otimização de Custos Logísticos: Estratégias para Reduzir Despesas de Distribuição em Operações de Manufatura A logística, frequentemente vista como um custo necessário, pode ser transformada em um diferencial competitivo quando estrategicamente otimizada. Em operações de manufatura, onde margens de lucro são freq...	v2_synthetic_openrouter_nvidia_nemotron_3_super_120b_a12b	synthetic	835	5,623	pt-br
O Impacto Cultural e Turístico do Ano do Carneiro no Aumento de Visitas a Cafés Temáticos na Ásia O calendário lunar chinês, com seus ciclos de doze animais do zodíaco, não é apenas um marcador de tempo: ele é um fenômeno cultural que pulsa nas ruas, nas casas e, cada vez mais, nos estabelecimentos comerciais da Á...	v2_synthetic_openrouter_nvidia_nemotron_3_super_120b_a12b	synthetic	794	5,070	pt-br
A Construção da Memória do Holocausto na Europa Oriental: Entre Resistência Comunista e Apagamento do Sofrimento Judaico A memória do Holocausto na Europa Oriental não se desenvolveu como um simples reflexo histórico dos eventos de 1941 a 1945, mas como um campo de batalha ideológico, político e simbólico, marcado...	v2_synthetic_openrouter_nvidia_nemotron_3_super_120b_a12b	synthetic	1,063	7,177	pt-br

End of preview. Expand in Data Studio

Corpus PT-BR v2

Um corpus em Portugues Brasileiro voltado para pre-treinamento, continuacao de pre-treinamento e fine-tuning de LLMs. Esta versao mantem a base e o pipeline geral do Madras1/corpus-ptbr-v1, com uma expansao adicional da camada sintetica gerada principalmente por modelos Mistral.

O que mudou na v2

A v2 preserva o desenho da v1 e adiciona um novo bloco sintetico local:

Componente novo	Valor
Documentos sinteticos adicionados	371,002
Palavras adicionadas	590,143,768
Tokens estimados adicionados	~767,186,898
Tamanho JSONL local original	~4.01 GB
Tamanho Parquet do incremento	~1.53 GB
Shards Parquet novos	4
Provider principal	Mistral
Modelos principais	`mistral-small-latest`, `mistral-medium-latest`

Estatisticas estimadas

As estatisticas abaixo combinam os numeros publicos da v1 com o novo bloco sintetico local convertido para Parquet.

Metrica	Valor
Total de documentos	~8,770,859
Total de palavras	~5.43B
Tokens estimados	~7.06B
Idioma	Portugues Brasileiro (`pt-br`)
Licenca	ODC-By 1.0

Subsets

Subset	Documentos	Palavras	Tokens estimados
`real`	6,813,702	~4.10B	~5.33B
`synthetic`	~1,957,157	~1.33B	~1.73B

Fontes

Subset `real`

Dados de pretraining limpos e filtrados de fontes publicas, herdados da v1:

Fonte	Documentos	Descricao
`c4_pt`	3,070,868	Common Crawl (C4), subset em portugues
`fineweb2_pt`	3,742,834	FineWeb2 filtrado para portugues

Subset `synthetic`

A v2 inclui todo o conjunto sintetico da v1 e adiciona 371,002 documentos gerados localmente em abril/maio de 2026.

Novo bloco v2:

Provider/model	Documentos
`mistral-small-latest`	288,189
`mistral-medium-latest`	74,407
`nvidia/nemotron-3-super-120b-a12b`	8,406

Nos shards v2, o campo source representa a origem sintetica normalizada:

`source`	Significado
`v2_synthetic_mistral_small_latest`	Texto sintetico gerado com Mistral Small
`v2_synthetic_mistral_medium_latest`	Texto sintetico gerado com Mistral Medium
`v2_synthetic_openrouter_nvidia_nemotron_3_super_120b_a12b`	Texto sintetico gerado via OpenRouter/Nemotron

Schema

O schema principal foi mantido compativel com a v1 para permitir carregamento como um unico split train.

Campo	Tipo	Descricao
`text`	`string`	Conteudo do documento
`source`	`string`	Fonte/origem normalizada
`subset`	`string`	`real` ou `synthetic`
`word_count`	`int32`	Contagem de palavras
`char_count`	`int32`	Contagem de caracteres
`language`	`string`	`pt-br`

Como usar

from datasets import load_dataset

ds = load_dataset("Madras1/corpus-ptbr-v2", split="train", streaming=True)

for row in ds.take(1):
    print(row["text"][:500])

Para filtrar apenas a camada sintetica:

from datasets import load_dataset

ds = load_dataset("Madras1/corpus-ptbr-v2", split="train", streaming=True)
synthetic = (row for row in ds if row["subset"] == "synthetic")

Limitações

Dados sinteticos podem conter alucinacoes factuais.
O subset real herda vieses, ruidos e limitacoes das fontes originais.
O corpus nao deve ser tratado como fonte factual autoritativa.
Estimativas de tokens usam fator aproximado de 1.3x sobre contagem de palavras.
A v2 aumenta a proporcao de texto sintetico; para pre-treinamento mais conservador, recomenda-se misturar pesos por subset e source.

Licenca e termos

O Corpus PT-BR v2 e distribuido sob ODC-By 1.0, seguindo a base da v1. O subset sintetico contem outputs de modelos de linguagem e deve ser usado com atencao aos termos dos provedores usados na geracao. Segundo a documentacao publica da Mistral AI, usuarios possuem seus outputs ate onde permitido pela lei aplicavel, mas continuam responsaveis por avaliar precisao, adequacao e direitos de uso do conteudo gerado.

Citacao

@dataset{madras1_corpus_ptbr_v2,
  title = {Corpus PT-BR v2},
  author = {Gabriel Yogi},
  year = {2026},
  publisher = {Hugging Face},
  url = {https://huggingface.co/datasets/Madras1/corpus-ptbr-v2}
}