pakphum/babylm-en-nl-mandarin-2026-100M

---
dataset_info:
- config_name: en
features:
- name: text
dtype: string
- name: language
dtype: string
splits:
- name: train
num_bytes: 230424395
num_examples: 5900807
download_size: 93248046
dataset_size: 230424395
- config_name: mandarin
features:
- name: text
dtype: string
- name: language
dtype: string
splits:
- name: train
num_bytes: 104626252
num_examples: 18958
download_size: 67703921
dataset_size: 104626252
- config_name: nl
features:
- name: text
dtype: string
- name: language
dtype: string
splits:
- name: train
num_bytes: 198291319
num_examples: 441579
download_size: 108809324
dataset_size: 198291319
configs:
- config_name: en
data_files:
- split: train
path: en/train-*
- config_name: mandarin
data_files:
- split: train
path: mandarin/train-*
- config_name: nl
data_files:
- split: train
path: nl/train-*
---

数据集信息：
- 配置名称：en（英语）
特征字段：
- 字段名：text（文本），数据类型：string（字符串）
- 字段名：language（语言），数据类型：string（字符串）
数据划分：
- 划分名称：train（训练集），字节大小：230424395，样本数量：5900807
下载大小：93248046，数据集总字节大小：230424395
- 配置名称：mandarin（中文/普通话）
特征字段：
- 字段名：text（文本），数据类型：string（字符串）
- 字段名：language（语言），数据类型：string（字符串）
数据划分：
- 划分名称：train（训练集），字节大小：104626252，样本数量：18958
下载大小：67703921，数据集总字节大小：104626252
- 配置名称：nl（荷兰语）
特征字段：
- 字段名：text（文本），数据类型：string（字符串）
- 字段名：language（语言），数据类型：string（字符串）
数据划分：
- 划分名称：train（训练集），字节大小：198291319，样本数量：441579
下载大小：108809324，数据集总字节大小：198291319
数据集配置：
- 配置名称：en（英语）
数据文件：
- 数据划分：train（训练集），文件路径：en/train-*
- 配置名称：mandarin（中文/普通话）
数据文件：
- 数据划分：train（训练集），文件路径：mandarin/train-*
- 配置名称：nl（荷兰语）
数据文件：
- 数据划分：train（训练集），文件路径：nl/train-*