redpajama-cc-2020-05-refined-by-data-juicer
收藏魔搭社区2025-11-14 更新2024-05-15 收录
下载链接：
https://modelscope.cn/datasets/Data-Juicer/redpajama-cc-2020-05-refined-by-data-juicer
下载链接
链接失效反馈官方服务：
资源简介：
A refined version of CommonCrawl-2020-05 dataset in RedPajama by Data-Juicer. Removing some "bad" samples from the original dataset to make it higher-quality. This dataset is usually used to pretrain a Large Language Model.
由Data-Juicer打造的RedPajama数据集中的CommonCrawl-2020-05数据集精制版本。该版本通过移除原始数据集中的部分“低质量”样本，以提升整体数据品质。此数据集通常用于大语言模型（Large Language Model）的预训练任务。
提供机构：
maas
创建时间：
2023-08-01
搜集汇总
数据集介绍
背景与挑战
背景概述
该数据集是RedPajama中CommonCrawl-2020-05的优化版本，由Data-Juicer通过移除低质量样本提升质量，适用于大语言模型预训练。优化后保留了约46.90%的原始数据，共计42,612,596个样本。
以上内容由遇见数据集搜集并总结生成
