tlm-synth-ablation
收藏魔搭社区2025-12-05 更新2025-12-06 收录
下载链接：
https://modelscope.cn/datasets/Shekswess/tlm-synth-ablation
下载链接
链接失效反馈官方服务：
资源简介：
## Dataset Description
Subset of PleIAs/SYNTH (first 113,000 rows, languages: en, exercises: math exercise, math mcq, mcq, memorization).
Columns:
- text: user/assistant messages formatted with the chat template
- source: original exercise name prefixed with PleIAs/SYNTH
- language: ISO language code
- num_tokens: token count of the formatted text using meta-llama/Llama-3.2-1B (no special tokens, capped at 2048 tokens)
Max rows requested: 113,000
Total tokens: 90,707,803
Ablation mode: capped at 10% of base rows (113,000 rows).
Language token totals:
en: 90,707,803 tokens
Language share:
en: 100.00% (113,000)
Exercise share:
memorization: 94.00% (106,221)
mcq: 2.70% (3,056)
math exercise: 2.06% (2,323)
math mcq: 1.24% (1,400)
数据集描述
该数据集为PleIAs/SYNTH的子集，选取前113000条数据，涵盖语言为英语（en），题型包含数学练习题、数学选择题（mcq）、选择题（mcq）、记忆类习题。
列信息：
- text：经对话模板格式化后的用户与助手消息文本
- source：以PleIAs/SYNTH为前缀的原始习题名称
- language：ISO标准语言代码
- num_tokens：使用meta-llama/Llama-3.2-1B对格式化后文本计算的Token计数（不计特殊Token，上限为2048个Token）
申请的最大数据行数：113000
总Token数：90707803
消融实验模式：限定为基准行数的10%（即113000条数据）
语言Token分布：
英语（en）：90707803个Token
语言占比：
英语（en）：100.00%（共113000条）
题型占比：
记忆类习题：94.00%（106221条）
选择题（mcq）：2.70%（3056条）
数学练习题：2.06%（2323条）
数学选择题（math mcq）：1.24%（1400条）
提供机构：
maas
创建时间：
2025-11-23
