flexitok/multilingual-addition

这是一个多语言加法合成数据集，包含形式为a+b=答案的加法问题，其中a和b是21种语言的书面形式表示（例如英语、丹麦语、瑞典语、越南语、匈牙利语、波斯语、土耳其语、捷克语、阿拉伯语、希腊语、印度尼西亚语、荷兰语、波兰语、葡萄牙语、意大利语、日语、法语、西班牙语、德语、中文、俄语、挪威语、芬兰语、孟加拉语、韩语），外加第22个分割使用原始数字字符串。每个样本包含以下字段：a_str（a的书面形式或数字表示）、a_digit（a的整数值）、b_str（b的书面形式或数字表示）、b_digit（b的整数值）、answer（a+b的书面形式或数字）、answer_digit（a+b的整数值）、text（格式为{a_str}+{b_str}={answer}，作为模型完成的目标）、question（格式为{a_str}+{b_str}=，作为提示）、lang（语言标签，如eng_Latn或digit）。数字a和b的范围为0到999，因此答案最大为1998。数据集分为训练集和验证集，每种语言（包括数字分割）的训练集有900,000个样本，验证集有100,000个样本。Synthetic dataset of addition problems of the form `a+b=answer`, where `a` and `b` are written-form representations of integers in 21 languages, plus a 22nd split using raw digit strings. Each sample contains: `a_str` (written-form or digit representation of `a`), `a_digit` (integer value of `a`), `b_str` (written-form or digit representation of `b`), `b_digit` (integer value of `b`), `answer` (written-form or digit of `a + b`), `answer_digit` (integer value of `a + b`), `text` (`"{a_str}+{b_str}={answer}"` as completion target), `question` (`"{a_str}+{b_str}="` as prompt), `lang` (language tag, e.g., `eng_Latn` or `digit`). Numbers range from `0` to `999` for both `a` and `b` (answers up to `1998`). The dataset includes train and validation splits, with 900,000 train and 100,000 val samples per language (including the digit split).