ruliad/fineweb_350BT_chunk_76

该数据集包含多个字段，如文本、ID、转储、URL、日期、文件路径、语言、语言评分和令牌计数等。数据集主要用于存储和处理与文本相关的信息，可能用于自然语言处理任务。数据集包含一个训练分割，包含500万个样本，总大小为17314414373字节。

The dataset includes various features such as text, ID, URL, date, and more, along with language and language score. The dataset is divided into a training set with 5 million examples. The size and download size of the dataset are also provided.

原始信息汇总

数据集概述

数据集特征

• text：字符串类型
• id：字符串类型
• dump：字符串类型
• url：字符串类型
• date：字符串类型
• file_path：字符串类型
• language：字符串类型
• language_score：浮点数类型
• token_count：整数类型

数据集分割

• train：
  • 字节数：17,314,414,373
  • 示例数：5,000,000

数据集大小

• 下载大小：10,319,019,375字节
• 数据集大小：17,314,414,373字节

配置

• default：
  • 训练数据路径：data/train-*