ruliad/fineweb_edu_100BT_chunk_16

---
dataset_info:
features:
- name: text
dtype: string
- name: id
dtype: string
- name: dump
dtype: string
- name: url
dtype: string
- name: file_path
dtype: string
- name: language
dtype: string
- name: language_score
dtype: float64
- name: token_count
dtype: int64
- name: score
dtype: float64
- name: int_score
dtype: int64
splits:
- name: train
num_bytes: 25254342040
num_examples: 5000000
download_size: 14636553460
dataset_size: 25254342040
configs:
- config_name: default
data_files:
- split: train
path: data/train-*
---

数据集信息：
特征列表：
- 字段名称：文本（text），数据类型：字符串
- 字段名称：编号（id），数据类型：字符串
- 字段名称：数据转储（dump），数据类型：字符串
- 字段名称：统一资源定位符（URL），数据类型：字符串
- 字段名称：文件路径（file_path），数据类型：字符串
- 字段名称：语言（language），数据类型：字符串
- 字段名称：语言检测得分（language_score），数据类型：双精度浮点数（float64）
- 字段名称：Token计数（token_count），数据类型：64位整数（int64）
- 字段名称：评分（score），数据类型：双精度浮点数（float64）
- 字段名称：整数评分（int_score），数据类型：64位整数（int64）
数据集划分：
- 划分名称：训练集（train），占用字节数：25254342040，样本数量：5000000
下载总大小：14636553460 字节
数据集总存储大小：25254342040 字节
数据集配置：
- 配置名称：默认配置（default），数据文件：
- 对应划分：训练集（train），文件路径：data/train-*

原始信息汇总

数据集概述

数据集特征

• text：文本，数据类型为字符串。
• id：标识符，数据类型为字符串。
• dump：转储信息，数据类型为字符串。
• url：链接地址，数据类型为字符串。
• file_path：文件路径，数据类型为字符串。
• language：语言标识，数据类型为字符串。
• language_score：语言评分，数据类型为浮点数。
• token_count：词条计数，数据类型为整数。
• score：评分，数据类型为浮点数。
• int_score：整数评分，数据类型为整数。

数据集划分

• train：训练集，包含5000000个样本，总大小为25254342040字节。

数据集大小

• 下载大小：14636553460字节。
• 数据集总大小：25254342040字节。

配置信息

• config_name：默认配置。
• data_files：训练数据路径为data/train-*。