该数据集包含bytepair_ids特征，这是一个int64类型的序列。数据集被划分为测试集、训练集和验证集三个部分，分别包含4358、36718和3760个样本，对应的字节大小分别为10295552、87275496和9149336字节。数据集的下载大小为16150551字节，总大小为106720384字节。数据文件的路径配置为：测试集数据文件路径为data/test-*，训练集数据文件路径为d

Hugging Face2024-12-08 更新170

ostapeno/med_wrap1m_concat

文本数据

机器学习

该数据集包含三个字段：id（标识符），text（文本内容），和source（文本来源）。数据集分为训练集，共有1,052,493个示例，大小为20,327,097,316字节。数据集的下载大小为8,577,206,255字节。提供了默认配置下的训练数据文件路径。

Hugging Face2025-02-10 更新130

网站使用 Interactive Palette 10k Social Followers

网站分析

社交媒体广告

使用以下方式下载所有网站的列表 Interactive Palette with up to 10k Social Followers. 基于BuiltWith 的全球网站索引。

trends.builtwith.com180

skymizer/fineweb-edu-dedup-45B-4-of-4

文本数据

教育研究

该数据集包含文本内容、唯一标识符和元数据等信息。文本内容是数据集的主要部分，每个文本都有一个唯一标识符。元数据提供了关于文本的额外信息，如来源URL、创建日期、文件路径、文本语言及其评分、token数量、分数和整型分数。数据集分为训练集，其大小为55.93GB，共有约1084.21万个示例。数据集的下载大小为32.43GB。

Hugging Face2025-01-11 更新160

Tweets Sample

资源简介：

相关数据集