sanchit-gandhi/cosmopedia-100k-concatenated

---
dataset_info:
features:
- name: prompt
dtype: string
- name: text_token_length
dtype: int64
- name: text
dtype: string
- name: seed_data
dtype: string
- name: format
dtype: string
- name: audience
dtype: string
- name: messages
list:
- name: content
dtype: string
- name: role
dtype: string
splits:
- name: train
num_bytes: 1063952074
num_examples: 100000
download_size: 613182411
dataset_size: 1063952074
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

• prompt: 数据类型为字符串。
• text_token_length: 数据类型为整数。
• text: 数据类型为字符串。
• seed_data: 数据类型为字符串。
• format: 数据类型为字符串。
• audience: 数据类型为字符串。
• messages: 列表类型，包含以下字段：
  • content: 数据类型为字符串。
  • role: 数据类型为字符串。

数据集分割

• train: 包含100,000个示例，总大小为1,063,952,074字节。

数据集大小

• 下载大小: 613,182,411字节。
• 数据集总大小: 1,063,952,074字节。

配置

• 默认配置: 数据文件路径为data/train-*，对应分割为train。