vwxyzjn/ultrachat_200k_filtered_1710204240

该数据集包含多个特征，如prompt、prompt_id、messages、query等，每个特征都有其特定的数据类型。数据集分为train_sft和test_sft两个部分，分别包含不同的字节数和示例数。此外，还提供了数据集的下载大小和总大小。配置部分描述了数据文件的路径和默认配置。

原始信息汇总

数据集概述

数据集特征

• prompt: 数据类型为字符串。
• prompt_id: 数据类型为字符串。
• messages: 列表类型，包含：
  • content: 数据类型为字符串。
  • role: 数据类型为字符串。
• query: 列表类型，包含：
  • content: 数据类型为字符串。
  • role: 数据类型为字符串。
• query_token: 序列类型，数据类型为int64。
• query_reference_response: 列表类型，包含：
  • content: 数据类型为字符串。
  • role: 数据类型为字符串。
• query_reference_response_token: 序列类型，数据类型为int64。
• query_reference_response_token_len: 数据类型为int64。
• query_token_len: 数据类型为int64。
• reference_response: 结构类型，包含：
  • content: 数据类型为字符串。
  • role: 数据类型为字符串。
• reference_response_token: 序列类型，数据类型为int64。
• reference_response_token_len: 数据类型为int64。

数据集分割

• train_sft:
  • 数据量: 2321652579.794915字节
  • 示例数量: 79765
• test_sft:
  • 数据量: 260543199.75110343字节
  • 示例数量: 8958

数据集大小

• 下载大小: 491925207字节
• 数据集大小: 2582195779.5460186字节

配置信息

• config_name: default
• data_files:
  • train_sft: 路径为data/train_sft-*
  • test_sft: 路径为data/test_sft-*