Tristan/RedPajama-Data-V2-sample-100B-filtered-for-regression-domains-with-domains

--- dataset_info: features: - name: raw_content dtype: string - name: doc_id dtype: string - name: meta dtype: string - name: quality_signals dtype: string - name: domain dtype: string splits: - name: train num_bytes: 54138366683 num_examples: 4156986 download_size: 24345546050 dataset_size: 54138366683 configs: - config_name: default data_files: - split: train path: data/train-* ---数据集信息： 特征： - 名称：原始内容（raw_content），数据类型：字符串 - 名称：文档ID（doc_id），数据类型：字符串 - 名称：元数据（meta），数据类型：字符串 - 名称：质量信号（quality_signals），数据类型：字符串 - 名称：领域（domain），数据类型：字符串 数据集划分： - 名称：训练集（train），字节大小：54138366683，样本数量：4156986 下载大小：24345546050 数据集总大小：54138366683 配置项： - 配置名称：默认配置（default），数据文件： - 数据集划分：训练集，文件路径：data/train-*

原始信息汇总

数据集概述

数据集特征

• raw_content: 数据类型为字符串。
• doc_id: 数据类型为字符串。
• meta: 数据类型为字符串。
• quality_signals: 数据类型为字符串。
• domain: 数据类型为字符串。

数据集分割

• 训练集 (train):
  • 示例数量: 4156986
  • 字节数: 54138366683

数据集大小

• 下载大小: 24345546050
• 数据集总大小: 54138366683

配置

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