redpajama-cc-2022-05-refined-by-data-juicer
收藏魔搭社区2025-12-01 更新2024-05-15 收录
下载链接：
https://modelscope.cn/datasets/Data-Juicer/redpajama-cc-2022-05-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-2022-05 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.
该数据集是 Data-Juicer 对 RedPajama 数据集中的 CommonCrawl-2022-05 数据集进行优化后的版本。其通过移除原始数据集中的部分低质量样本，实现了整体质量的提升。该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-2022-05的优化版本，通过Data-Juicer去除低质量样本以提升数据质量，适用于大型语言模型的预训练。它保留了原始数据中约45.34%的样本，共计42,648,496条数据。
以上内容由遇见数据集搜集并总结生成
