ruliad/fineweb_350BT_chunk_15

---
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: 17071015276
num_examples: 5000000
download_size: 10218735937
dataset_size: 17071015276
configs:
- config_name: default
data_files:
- split: train
path: data/train-*
---

数据集信息（dataset_info）:
特征（features）:
- 字段名: 文本（text）
数据类型: 字符串（string）
- 字段名: id
数据类型: 字符串（string）
- 字段名: 转储数据（dump）
数据类型: 字符串（string）
- 字段名: 统一资源定位符（URL）
数据类型: 字符串（string）
- 字段名: 日期（date）
数据类型: 字符串（string）
- 字段名: 文件路径（file_path）
数据类型: 字符串（string）
- 字段名: 语言（language）
数据类型: 字符串（string）
- 字段名: 语言得分（language_score）
数据类型: 双精度浮点数（float64）
- 字段名: Token计数（token_count）
数据类型: 64位整数（int64）
数据集划分（splits）:
- 划分名: 训练集（train）
字节数: 17071015276
样本数量: 5000000
下载大小: 10218735937
数据集总大小: 17071015276
数据集配置（configs）:
- 配置名: 默认配置（default）
数据文件:
- 划分: 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：字符串类型
• id：字符串类型
• dump：字符串类型
• url：字符串类型
• date：字符串类型
• file_path：字符串类型
• language：字符串类型
• language_score：浮点数类型
• token_count：整数类型

数据集拆分

• train：
  • 数据量：5000000个样本
  • 存储大小：17071015276字节

数据集大小

• 下载大小：10218735937字节
• 数据集总大小：17071015276字节

配置

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