ruliad/fineweb_350BT_chunk_51

---
dataset_info:
features:
- name: text
dtype: string
- name: id
dtype: string
- name: dump
dtype: string
- name: url
dtype: string
- name: date
dtype: string
- name: file_path
dtype: string
- name: language
dtype: string
- name: language_score
dtype: float64
- name: token_count
dtype: int64
splits:
- name: train
num_bytes: 17187672147
num_examples: 5000000
download_size: 10267167253
dataset_size: 17187672147
configs:
- config_name: default
data_files:
- split: train
path: data/train-*
---

原始信息汇总

数据集概述

数据集特征

• text：文本，数据类型为字符串。
• id：标识符，数据类型为字符串。
• dump：转储信息，数据类型为字符串。
• url：链接地址，数据类型为字符串。
• date：日期，数据类型为字符串。
• file_path：文件路径，数据类型为字符串。
• language：语言，数据类型为字符串。
• language_score：语言评分，数据类型为浮点数。
• token_count：词条计数，数据类型为整数。

数据集划分

• train：训练集，包含5000000个样本，总字节数为17187672147。

数据集大小

• 下载大小：10267167253字节。
• 数据集大小：17187672147字节。

配置信息

• config_name：默认配置。
• data_files：
  • split：train。
  • path：data/train-*。