- Sự miêu tả :
Dolma: Kho dữ liệu mở gồm ba nghìn tỷ mã thông báo dành cho nghiên cứu đào tạo trước mô hình ngôn ngữ
Trang chủ : https://github.com/allenai/dolma
Mã nguồn :
tfds.datasets.dolma.Builder
Phiên bản :
-
1.0.0
(mặc định): Bản phát hành đầu tiên.
-
Kích thước tải xuống :
Unknown size
Kích thước tập dữ liệu :
9.61 TiB
Tự động lưu vào bộ nhớ đệm ( tài liệu ): Không
Chia tách :
Tách ra | Ví dụ |
---|---|
'train' | 3,403,336,408 |
- Cấu trúc tính năng :
FeaturesDict({
'added': Text(shape=(), dtype=string),
'created': Text(shape=(), dtype=string),
'id': Text(shape=(), dtype=string),
'source': Text(shape=(), dtype=string),
'text': Text(shape=(), dtype=string),
})
- Tài liệu tính năng :
Tính năng | Lớp học | Hình dạng | loại D | Sự miêu tả |
---|---|---|---|---|
Tính năngDict | ||||
đã thêm | Chữ | sợi dây | ||
tạo | Chữ | sợi dây | ||
nhận dạng | Chữ | sợi dây | ||
nguồn | Chữ | sợi dây | ||
chữ | Chữ | sợi dây |
Khóa được giám sát (Xem
as_supervised
doc ):None
Hình ( tfds.show_examples ): Không được hỗ trợ.
Ví dụ ( tfds.as_dataframe ):
- Trích dẫn :
@article{dolma,
title = { {Dolma: An Open Corpus of Three Trillion Tokens for Language Model Pretraining Research} },
author = {
Luca Soldaini and Rodney Kinney and Akshita Bhagia and Dustin Schwenk and David Atkinson and
Russell Authur and Ben Bogin and Khyathi Chandu and Jennifer Dumas and Yanai Elazar and
Valentin Hofmann and Ananya Harsh Jha and Sachin Kumar and Li Lucy and Xinxi Lyu and Ian Magnusson and
Jacob Morrison and Niklas Muennighoff and Aakanksha Naik and Crystal Nam and Matthew E. Peters and
Abhilasha Ravichander and Kyle Richardson and Zejiang Shen and Emma Strubell and Nishant Subramani and
Oyvind Tafjord and Evan Pete Walsh and Hannaneh Hajishirzi and Noah A. Smith and Luke Zettlemoyer and
Iz Beltagy and Dirk Groeneveld and Jesse Dodge and Kyle Lo
},
year = {2024},
journal={arXiv preprint},
}