TheBirdLegacy/DONOTUSEDATA-SideB

数据集名为DONOTUSEDATA-SideB，旨在研究有害数据对大型语言模型（LLMs）的影响。数据集包含多个特征，如文本、性内容、仇恨、暴力、自残等，每个特征都有对应的数据类型。数据集分为训练集，包含30002个样本，总大小为6855523字节。数据集标签为not-for-all-audiences，表明其内容可能不适合所有观众。

This dataset, named DONOTUSEDATA-SideB, aims to investigate the impact of harmful data on Large Language Models (LLMs). It includes multiple features such as text, sexual content, hate speech, violence, self-harm, etc., with each feature having a corresponding data type. The dataset is split into a training set containing 30,002 samples with a total size of 6,855,523 bytes. Its label is "not-for-all-audiences", indicating that its content may not be suitable for all audiences.

原始信息汇总

数据集概述

数据特征

• text: 类型为字符串。
• sexual: 类型为浮点数（float64）。
• hate: 类型为浮点数（float64）。
• violence: 类型为浮点数（float64）。
• self-harm: 类型为浮点数（float64）。
• sexual/minors: 类型为浮点数（float64）。
• hate/threatening: 类型为浮点数（float64）。
• violence/graphic: 类型为浮点数（float64）。

数据划分

• train: 包含30002个样本，数据大小为6855523字节。

数据集大小

• 下载大小: 5665789字节。
• 数据集大小: 6855523字节。

配置

• default: 包含训练数据文件，路径为data/train-*。

标签

• not-for-all-audiences: 不适用于所有观众。