Locutusque/TM-DATA

该数据集用于训练TinyMistral-248m-v2模型，包含约800万个样本。数据集由以下来源组成：400万篇维基百科页面、100万篇arxiv论文、150万页来自RefinedWeb和SlimPajama的网页、20万本大学教材以及100万篇Stack Exchange论坛帖子。该数据集可能包含不适合所有受众的内容，使用时需自行承担风险。

原始信息汇总

数据集概述

许可证

• Apache-2.0

任务类别

• 文本生成
• 文本分类
• 文本到文本生成
• 填空

语言

• 英语

大小类别

• 1M<n<10M

标签

• 不适合所有观众

数据集描述

• 用于训练 TinyMistral-248m-v2 的数据集，包含约 800 万个样本。
• 数据来源包括：
  • 400 万篇维基百科页面
  • 100 万篇 arXiv 论文
  • 150 万篇来自 RefinedWeb 和 SlimPajama 的网页
  • 20 万本大学教科书
  • 100 万篇 Stack Exchange 论坛帖子

注意事项

• 数据集可能包含不适合工作环境的内容，使用时需自行承担风险。