five

tvu-vlinhd11/pretrain-dataset-raw-10M

收藏
Hugging Face2025-12-09 更新2025-12-20 收录
下载链接:
https://hf-mirror.com/datasets/tvu-vlinhd11/pretrain-dataset-raw-10M
下载链接
链接失效反馈
官方服务:
资源简介:
--- license: apache-2.0 task_categories: - text-generation language: - en - vi tags: - pretrain - text-corpus - multilingual size_categories: - 1M<n<10M --- # Pretrain Dataset (Text) This dataset contains preprocessed text documents ready for LLM pretraining. ## Dataset Details | Property | Value | |----------|-------| | **Documents** | 10,000,000 | | **Processed** | 10000000 | | **Shards** | 21 | | **Created** | 2025-12-09 | ## Dataset Structure Each sample contains: - `text`: The document text - `source`: Source dataset identifier - `id`: Unique document ID ## Usage ```python from datasets import load_dataset dataset = load_dataset("tvu-vlinhd11/pretrain-dataset-raw-10M") train_data = dataset["train"] sample = train_data[0] text = sample["text"] ``` ## License Apache 2.0
提供机构:
tvu-vlinhd11
5,000+
优质数据集
54 个
任务类型
进入经典数据集
二维码
社区交流群

面向社区/商业的数据集话题

二维码
科研交流群

面向高校/科研机构的开源数据集话题

数据驱动未来

携手共赢发展

商业合作