ruliad/fineweb_350BT_chunk_54

---
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: 17225896181
num_examples: 5000000
download_size: 10292479516
dataset_size: 17225896181
configs:
- config_name: default
data_files:
- split: train
path: data/train-*
---

数据集信息：
特征字段：
- 名称：文本（text）
数据类型：字符串
- 名称：标识符（id）
数据类型：字符串
- 名称：dump
数据类型：字符串
- 名称：统一资源定位符（url）
数据类型：字符串
- 名称：日期（date）
数据类型：字符串
- 名称：文件路径（file_path）
数据类型：字符串
- 名称：语言（language）
数据类型：字符串
- 名称：语言得分（language_score）
数据类型：64位浮点数（float64）
- 名称：Token 数量（token_count）
数据类型：64位整数（int64）
数据划分：
- 划分名称：训练集（train）
字节大小：17225896181
样本总数：5000000
下载体积：10292479516
数据集存储体积：17225896181
配置项：
- 配置名称：默认配置（default）
数据文件：
- 划分：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：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，数据类型为字符串。
• url：网址，数据类型为字符串。
• date：日期，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：词条计数，数据类型为整数。

数据集分割

• train：训练集，包含5000000个样本，总字节数为17225896181。

数据集大小

• 下载大小：10292479516字节。
• 数据集大小：17225896181字节。

配置

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