PY007/slimpajama_LLAMA3_tokenized_upsample_4096_chunk_128K

---
dataset_info:
features:
- name: input_ids
sequence: int64
- name: labels
dtype: int64
- name: source
list:
- name: end
dtype: int64
- name: source
dtype: string
- name: start
dtype: int64
splits:
- name: train
num_bytes: 6714063528
num_examples: 6544
download_size: 1733584352
dataset_size: 6714063528
configs:
- config_name: default
data_files:
- split: train
path: data/train-*
---

原始信息汇总

数据集概述

数据集特征

• input_ids：序列类型为整数（int64）。
• labels：数据类型为整数（int64）。
• source：列表类型，包含以下元素：
  • end：数据类型为整数（int64）。
  • source：数据类型为字符串。
  • start：数据类型为整数（int64）。

数据集分割

• train：
  • 数据大小：6714063528字节。
  • 示例数量：6544个。

数据集大小

• 下载大小：1733584352字节。
• 数据集总大小：6714063528字节。

配置

• default：
  • 数据文件路径：data/train-*，分割类型为train。