junlinw/opc-sft-s2-annealing-ins3-python_AST_0.0_200.0_var3

该数据集包含了输入ID序列（input_ids）、标签（labels）、遮蔽标记数量（num_mask_tokens）和原始数据（original）等特征。数据集分为训练集和测试集，训练集有2219926个样本，测试集有22424个样本，总大小为7522795260字节，下载大小为1084173307字节。

The dataset includes features such as input ID sequences (input_ids), labels (labels), number of masked tokens (num_mask_tokens), and original data (original). It is divided into training and test sets, with the training set containing 2,219,926 samples and the test set containing 22,424 samples, with a total size of 7,522,795,260 bytes and a download size of 1,084,173,307 bytes.

搜集汇总

背景与挑战

背景概述

该数据集是一个包含标记化数据的parquet格式文件，主要用于自然语言处理或代码分析任务。数据集规模较大，包含超过220万行数据，总大小约为1.08 GB，适合用于机器学习模型的训练和测试。