kenhktsui/minipile_benchmarking

---
dataset_info:
features:
- name: text
dtype: string
- name: hf_score
dtype: int64
- name: fasttext_score_v2
dtype: float64
- name: dolma_score
dtype: float64
splits:
- name: train
num_bytes: 5930108510
num_examples: 1000000
- name: validation
num_bytes: 2791386
num_examples: 500
- name: test
num_bytes: 58798191
num_examples: 10000
download_size: 3193890606
dataset_size: 5991698087
configs:
- config_name: default
data_files:
- split: train
path: data/train-*
- split: validation
path: data/validation-*
- split: test
path: data/test-*
---

原始信息汇总

数据集概述

特征信息

• text: 数据类型为 string
• hf_score: 数据类型为 int64
• fasttext_score_v2: 数据类型为 float64
• dolma_score: 数据类型为 float64

数据分割

• train: 包含 1,000,000 个样本，占用 5,930,108,510 字节
• validation: 包含 500 个样本，占用 2,791,386 字节
• test: 包含 10,000 个样本，占用 58,798,191 字节

数据集大小

• 下载大小: 3,193,890,606 字节
• 数据集总大小: 5,991,698,087 字节

配置信息

• config_name: default
  • train: 数据文件路径为 data/train-*
  • validation: 数据文件路径为 data/validation-*
  • test: 数据文件路径为 data/test-*