ruliad/fineweb_350BT_chunk_67

该数据集包含多个字段，包括文本、ID、转储、URL、日期、文件路径、语言、语言评分和词数计数。数据集被分割为训练集，包含500万个样本，总大小为17304349198字节，下载大小为10328225613字节。

The dataset includes various features such as text, ID, URL, date, file path, language, language score, and token count. It is divided into a training set with 5,000,000 examples. The dataset size is 17,304,349,198 bytes, and the download size is 10,328,225,613 bytes.

原始信息汇总

数据集概述

数据集特征

• text: 数据类型为字符串。
• id: 数据类型为字符串。
• dump: 数据类型为字符串。
• url: 数据类型为字符串。
• date: 数据类型为字符串。
• file_path: 数据类型为字符串。
• language: 数据类型为字符串。
• language_score: 数据类型为浮点数。
• token_count: 数据类型为整数。

数据集分割

• train:
  • 字节数: 17304349198
  • 示例数: 5000000

数据集大小

• 下载大小: 10328225613
• 数据集大小: 17304349198

配置

• default:
  • 训练数据路径: data/train-*