biznetgio/oasst2-sundanese

该数据集包含多个字段，涉及消息ID、父ID、用户ID、创建日期、文本内容、角色、语言、评论数量、评论结果、删除状态、排名、合成标志、模型名称、毒性分析、消息树ID、树状态、表情符号和标签等信息。数据集被划分为训练集，包含39283个样本，总大小为42186693字节。

原始信息汇总

数据集概述

数据特征

• message_id: 字符串类型
• parent_id: 字符串类型
• user_id: 字符串类型
• created_date: 字符串类型
• text: 字符串类型
• role: 字符串类型
• lang: 字符串类型
• review_count: 64位整数类型
• review_result: 布尔类型
• deleted: 布尔类型
• rank: 64位浮点数类型
• synthetic: 布尔类型
• model_name: null类型
• detoxify: 结构体类型
  • identity_attack: 64位浮点数类型
  • insult: 64位浮点数类型
  • obscene: 64位浮点数类型
  • severe_toxicity: 64位浮点数类型
  • sexual_explicit: 64位浮点数类型
  • threat: 64位浮点数类型
  • toxicity: 64位浮点数类型
• message_tree_id: 字符串类型
• tree_state: 字符串类型
• emojis: 结构体类型
  • count: 序列化的64位整数类型
  • name: 序列化的字符串类型
• labels: 结构体类型
  • count: 序列化的64位整数类型
  • name: 序列化的字符串类型
  • value: 序列化的64位浮点数类型

数据分割

• train:
  • 字节数: 42186693
  • 样本数: 39283

数据集大小

• 下载大小: 14349055 字节
• 数据集大小: 42186693 字节

配置

• config_name: default
  • data_files:
    • split: train
    • path: data/train-*