mhla/gpt1900-physics-clm

---
license: mit
language:
- en
dataset_info:
features:
- name: text
dtype: string
tags:
- pre-1900
- historical
- physics
- nlp
---

# GPT-1900 Physics CLM Data

Physics-domain text for continued pretraining (causal language modeling) of GPT-1900. This dataset contains chunks of text from seminal pre-1905 physics works — Newton's *Principia*, Maxwell's *Treatise on Electricity and Magnetism*, Faraday's *Experimental Researches*, Boltzmann, Gibbs, Hertz, and many others.

Used to specialize the base GPT-1900 model toward physics reasoning before instruction tuning and reinforcement learning.

## Stats

| Split | Rows |
|-------|------|
| Train | 319,461 |
| Val | 16,814 |

## Format

Parquet files with a single `text` column. Each row is a chunk of physics text.

## Source Texts

Includes works by: Newton, Maxwell, Faraday, Boltzmann, Gibbs, Galileo, Hertz, Helmholtz, Kelvin, Lorentz, Rayleigh, Tyndall, Clausius, Carnot, Stokes, Thomson, Young, Huygens, Laplace, Poynting, Larmor, and others. Extended to a 1905 cutoff (includes Planck 1901, Lorentz 1904, Rutherford on radioactivity).

## Usage

```python
from datasets import load_dataset
ds = load_dataset("mhla/gpt1900-physics-clm")
```

## Related

- [mhla/gpt1900-d34-22btok](https://huggingface.co/mhla/gpt1900-d34-22btok) — GPT-1900 base model
- [mhla/gpt1900-d34-v3-sft-physics](https://huggingface.co/mhla/gpt1900-d34-v3-sft-physics) — Instruct model built on top of this physics data
- [mhla/gpt1900-d34-contradiction-rl-v11](https://huggingface.co/mhla/gpt1900-d34-contradiction-rl-v11) — Best RL model (downstream of this data)

---
许可证：MIT许可证
语言：
- 英语
数据集信息：
特征：
- 字段名：text
数据类型：字符串（string）
标签：
- 1900年前（pre-1900）
- 历史（historical）
- 物理学（physics）
- 自然语言处理（Natural Language Processing，NLP）
---

# GPT-1900 物理学因果语言建模数据集

本数据集为GPT-1900模型的持续预训练（因果语言建模）任务提供物理学领域文本。数据集包含1905年前开创性物理学著作的文本片段，涵盖牛顿的《自然哲学的数学原理》、麦克斯韦的《电磁通论》、法拉第的《电学实验研究》，以及玻尔兹曼、吉布斯、赫兹等学者的相关著作。

本数据集用于在指令微调与强化学习之前，将基础GPT-1900模型适配至物理学推理任务。

## 统计信息
| 数据集划分 | 样本行数 |
|----------|----------|
| 训练集 | 319,461 |
| 验证集 | 16,814 |

## 数据格式
数据集以Parquet文件存储，仅包含`text`一列，每一行对应一段物理学文本片段。

## 源文本范围
本数据集涵盖以下学者的著作：牛顿、麦克斯韦、法拉第、玻尔兹曼、吉布斯、伽利略、赫兹、亥姆霍兹、开尔文、洛伦兹、瑞利、廷德尔、克劳修斯、卡诺、斯托克斯、汤姆森、杨、惠更斯、拉普拉斯、坡印廷、拉莫尔等。数据集截断至1905年，包含普朗克1901年、洛伦兹1904年的相关著作，以及卢瑟福关于放射性的研究成果。

## 使用方法
可通过以下Python代码加载数据集：
python
from datasets import load_dataset
ds = load_dataset("mhla/gpt1900-physics-clm")

## 相关资源
- [mhla/gpt1900-d34-22btok](https://huggingface.co/mhla/gpt1900-d34-22btok) — GPT-1900基础模型
- [mhla/gpt1900-d34-v3-sft-physics](https://huggingface.co/mhla/gpt1900-d34-v3-sft-physics) — 基于本物理学数据集构建的指令微调模型
- [mhla/gpt1900-d34-contradiction-rl-v11](https://huggingface.co/mhla/gpt1900-d34-contradiction-rl-v11) — 基于本数据集训练的最优强化学习模型