Farhannr28/Preprocessed-SemEval-2026-Task13

--- dataset_info: features: - name: ID dtype: int64 - name: code dtype: string - name: language dtype: string - name: sanitized dtype: string - name: natural_language dtype: string - name: label dtype: class_label: names: '0': Human '1': DeepSeek-AI '2': Qwen '3': 01-ai '4': BigCode '5': Gemma '6': Phi '7': Meta-LLaMA '8': IBM-Granite '9': Mistral '10': OpenAI splits: - name: train num_bytes: 915890966 num_examples: 364460 - name: validation num_bytes: 357167271 num_examples: 100000 - name: test num_bytes: 1933130224 num_examples: 500000 - name: downsampled num_bytes: 190099017.76336497 num_examples: 75646 download_size: 1454991932 dataset_size: 3396287478.763365 configs: - config_name: default data_files: - split: train path: data/train-* - split: validation path: data/validation-* - split: test path: data/test-* - split: downsampled path: data/downsampled-* ---数据集信息： ## 特征字段 1. ID：数据唯一标识符，类型为64位整数（int64） 2. code：代码文本，类型为字符串（string） 3. language：语言属性，类型为字符串（string） 4. sanitized：清洗后代码（sanitized），类型为字符串（string） 5. natural_language：自然语言文本，类型为字符串（string） 6. label：样本标签，类型为类别标签（class_label），对应类别名称如下： - 0: 人类 (Human) - 1: DeepSeek-AI - 2: Qwen - 3: 01-ai - 4: BigCode - 5: Gemma - 6: Phi - 7: Meta-LLaMA - 8: IBM-Granite - 9: Mistral - 10: OpenAI ## 数据划分 1. 训练集（train）：数据量915,890,966字节，样本数364,460 2. 验证集（validation）：数据量357,167,271字节，样本数100,000 3. 测试集（test）：数据量1,933,130,224字节，样本数500,000 4. 下采样子集（downsampled）：数据量190,099,017.76336497字节，样本数75,646 ## 全局参数 - 下载总大小：1,454,991,932字节 - 数据集总存储大小：3,396,287,478.763365字节 ## 配置项 默认配置（default）对应的数据集文件路径如下： - 训练集划分：`data/train-*` - 验证集划分：`data/validation-*` - 测试集划分：`data/test-*` - 下采样子集划分：`data/downsampled-*`