PY007/slimpajama_mistral_tokenized_upsample_4096_chunk_128K

---
dataset_info:
features:
- name: input_ids
sequence: int64
- name: labels
dtype: int64
- name: source
list:
- name: end
dtype: int64
- name: source
dtype: string
- name: start
dtype: int64
splits:
- name: train
num_bytes: 38901187616
num_examples: 37925
download_size: 8872003022
dataset_size: 38901187616
configs:
- config_name: default
data_files:
- split: train
path: data/train-*
---

数据集信息：
特征：
- 名称：input_ids（输入标识），序列类型：int64
- 名称：labels（标签），数据类型：int64
- 名称：source（源字段），列表型字段：
- 名称：end（结束位置），数据类型：int64
- 名称：source（源文本），数据类型：字符串
- 名称：start（起始位置），数据类型：int64
数据集划分：
- 名称：train（训练集），占用字节数：38901187616，样本总量：37925
下载体积：8872003022
数据集总占用体积：38901187616
配置项：
- 配置名称：default（默认配置），数据文件列表：
- 划分：train（训练集），存储路径：data/train-*

原始信息汇总

数据集概述

数据集特征

• input_ids：序列类型为 int64。
• labels：数据类型为 int64。
• source：列表类型，包含以下元素：
  • end：数据类型为 int64。
  • source：数据类型为 string。
  • start：数据类型为 int64。

数据集分割

• train：
  • 数据量：38901187616 字节。
  • 样本数：37925。

数据集大小

• 下载大小：8872003022 字节。
• 数据集大小：38901187616 字节。

配置

• default：
  • 数据文件路径：data/train-*，分割类型为 train。