znhoughton/babylm-150m-v3

---
dataset_info:
features:
- name: text
dtype: string
- name: domain
dtype: string
splits:
- name: train
num_bytes: 729541883
num_examples: 11457649
- name: dev
num_bytes: 76084074
num_examples: 1156066
download_size: 346617557
dataset_size: 805625957
configs:
- config_name: default
data_files:
- split: train
path: data/train-*
- split: dev
path: data/dev-*
---

This dataset is derived from the official 100m token training BabyLM dataset.

Source:
https://osf.io/ryjfm/

## Notes
- Research use only
- Mixed-source corpus (CHILDES, OpenSubtitles, Gutenberg, etc.)
- Provided for reproducibility and pretraining experiments
- Not an official BabyLM release

数据集信息：
特征：
- 名称：文本（text）
数据类型：字符串（string）
- 名称：领域（domain）
数据类型：字符串（string）
数据集划分：
- 名称：训练集（train）
字节大小：729541883
样本数量：11457649
- 名称：开发集（dev）
字节大小：76084074
样本数量：1156066
下载大小：346617557
总数据集大小：805625957
配置项：
- 配置名称：默认（default）
数据文件：
- 划分：训练集（train）
路径：data/train-*
- 划分：开发集（dev）
路径：data/dev-*

本数据集源自官方1亿Token（token）训练用BabyLM数据集。
来源：
https://osf.io/ryjfm/

## 注意事项
- 仅可用于研究用途
- 多源语料库（涵盖CHILDES、OpenSubtitles、Gutenberg等）
- 旨在支持可复现性研究与预训练实验
- 并非BabyLM官方发布版本