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-*