inoculation-midtraining-mixes

该数据集包含多个配置，每个配置具有相同的特征结构，包括文本内容、类型、源行索引、自定义ID、排名、实验和单词计数等字段。数据集规模较大，不同配置的训练集样本数量从469,000到4,056,000不等，数据量从2.8GB到20.2GB不等。所有配置均为纯文本数据，适用于自然语言处理任务，如文本分类、信息检索或实验性研究。具体配置包括不良医疗、极限运动、风险金融等多个领域，可能用于特定领域的文本分析或模型训练。