ruliad/fineweb_edu_100BT_chunk_15

---
dataset_info:
features:
- name: text
dtype: string
- name: id
dtype: string
- name: dump
dtype: string
- name: url
dtype: string
- name: file_path
dtype: string
- name: language
dtype: string
- name: language_score
dtype: float64
- name: token_count
dtype: int64
- name: score
dtype: float64
- name: int_score
dtype: int64
splits:
- name: train
num_bytes: 25358472136
num_examples: 5000000
download_size: 14702420099
dataset_size: 25358472136
configs:
- config_name: default
data_files:
- split: train
path: data/train-*
---

数据集信息：
特征字段：
- 字段名称：文本（text），数据类型：字符串
- 字段名称：标识符（id），数据类型：字符串
- 字段名称：转储数据（dump），数据类型：字符串
- 字段名称：统一资源定位符（url），数据类型：字符串
- 字段名称：文件路径（file_path），数据类型：字符串
- 字段名称：语言（language），数据类型：字符串
- 字段名称：语言得分（language_score），数据类型：64位浮点型（float64）
- 字段名称：Token（Token）计数，数据类型：64位整型（int64）
- 字段名称：得分（score），数据类型：64位浮点型（float64）
- 字段名称：整型得分（int_score），数据类型：64位整型（int64）
数据集拆分：
- 拆分名称：训练集（train），字节数：25358472136，样本数量：5000000
下载大小：14702420099
数据集总大小：25358472136
数据集配置：
- 配置名称：默认配置（default），数据文件：
- 拆分集：训练集（train），路径：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，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：词元计数，数据类型为整数。
• score：评分，数据类型为浮点数。
• int_score：整数评分，数据类型为整数。

数据集划分

• train：训练集，包含5000000个样本，总大小为25358472136字节。

数据集大小

• 下载大小：14702420099字节。
• 数据集总大小：25358472136字节。

配置

• config_name：default
• data_files：
  • split：train
  • path：data/train-*