ruliad/fineweb_350BT_chunk_2

---
dataset_info:
features:
- name: text
dtype: string
- name: id
dtype: string
- name: dump
dtype: string
- name: url
dtype: string
- name: date
dtype: string
- name: file_path
dtype: string
- name: language
dtype: string
- name: language_score
dtype: float64
- name: token_count
dtype: int64
splits:
- name: train
num_bytes: 17034380055
num_examples: 5000000
download_size: 10196314279
dataset_size: 17034380055
configs:
- config_name: default
data_files:
- split: train
path: data/train-*
---

数据集信息：
特征字段：
- 字段名：文本（text），数据类型：字符串
- 字段名：标识符（id），数据类型：字符串
- 字段名：转储内容（dump），数据类型：字符串
- 字段名：统一资源定位符（URL），数据类型：字符串
- 字段名：日期（date），数据类型：字符串
- 字段名：文件路径（file_path），数据类型：字符串
- 字段名：语言（language），数据类型：字符串
- 字段名：语言得分（language_score），数据类型：64位浮点型（float64）
- 字段名：Token计数（token_count），数据类型：64位整型（int64）
数据拆分：
- 拆分名称：训练集（train），字节占用数：17034380055，样本数量：5000000
下载大小：10196314279 字节
数据集总大小：17034380055 字节
配置项：
- 配置名称：默认配置（default），数据文件：
- 对应拆分：训练集（train），文件路径：data/train-*

原始信息汇总

数据集概述

数据集特征

• text：字符串类型
• id：字符串类型
• dump：字符串类型
• url：字符串类型
• date：字符串类型
• file_path：字符串类型
• language：字符串类型
• language_score：浮点数类型
• token_count：整数类型

数据集划分

• 训练集（train）：
  • 示例数量：5000000
  • 数据大小：17034380055字节

数据集大小

• 下载大小：10196314279字节
• 数据集总大小：17034380055字节

配置

• 默认配置（default）：
  • 训练数据路径：data/train-*