ruliad/fineweb_edu_100BT_chunk_0

---
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: 25535342462
num_examples: 5000000
download_size: 14829300787
dataset_size: 25535342462
configs:
- config_name: default
data_files:
- split: train
path: data/train-*
---

数据集信息：
特征字段：
- 字段名：文本（text），数据类型：字符串
- 字段名：标识符（id），数据类型：字符串
- 字段名：数据转储（dump），数据类型：字符串
- 字段名：统一资源定位符（URL），数据类型：字符串
- 字段名：文件路径（file_path），数据类型：字符串
- 字段名：语言（language），数据类型：字符串
- 字段名：语言评分（language_score），数据类型：64位浮点型
- 字段名：Token计数（token_count），数据类型：64位整型
- 字段名：评分（score），数据类型：64位浮点型
- 字段名：整型评分（int_score），数据类型：64位整型
数据拆分：
- 拆分名称：训练集（train），字节大小：25535342462，样本数量：5000000
下载总大小：14829300787
数据集占用磁盘大小：25535342462
配置项：
- 配置名称：默认配置（default），数据文件：
- 数据拆分：训练集（train），文件路径：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
• 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
• score：浮点数类型
• int_score：整数类型

数据集分割

• train：
  • 示例数量：5000000
  • 字节数：25535342462

数据集大小

• 下载大小：14829300787
• 数据集大小：25535342462

配置

• default：
  • 训练数据路径：data/train-*