BroDeadlines/TEST.HUB.mini.hub_copora_data

--- dataset_info: features: - name: url dtype: string - name: doc_id dtype: string - name: title dtype: string - name: content dtype: string - name: split sequence: string - name: shards dtype: int64 - name: proposition_str sequence: string - name: proposition_list sequence: string - name: propositions sequence: string splits: - name: train num_bytes: 13219997 num_examples: 418 download_size: 4289196 dataset_size: 13219997 configs: - config_name: default data_files: - split: train path: data/train-* --- Config data ```json { "chunk_size": 800, "overlap": 60, "model": "gemini-1.5-flash-latest" } ```数据集信息： 特征列表： - 统一资源定位符（URL）：数据类型为字符串 - 文档ID（doc_id）：数据类型为字符串 - 标题（title）：数据类型为字符串 - 正文内容（content）：数据类型为字符串 - 划分集标记（split）：数据类型为字符串序列 - 分片数（shards）：数据类型为64位整型 - 命题字符串（proposition_str）：数据类型为字符串序列 - 命题列表（proposition_list）：数据类型为字符串序列 - 命题集（propositions）：数据类型为字符串序列 划分集详情： - 训练集（train）：字节占用量为13219997，样本总数为418 下载总大小：4289196字节，数据集总存储大小：13219997字节 配置项： - 配置名称：默认配置（default），数据文件对应训练划分集的路径为`data/train-*` 配置数据： json { "分块大小（chunk_size）": 800, "重叠长度（overlap）": 60, "模型（model）": "gemini-1.5-flash-latest" }