- 説明:
Dolma: 言語モデルの事前トレーニング研究のための 3 兆トークンのオープン コーパス
ホームページ: https://github.com/allenai/dolma
ソースコード:
tfds.datasets.dolma.Builder
バージョン:
-
1.0.0
(デフォルト): 初期リリース。
-
ダウンロードサイズ:
Unknown size
データセットのサイズ:
Unknown size
自動キャッシュ(ドキュメント): 不明
分割:
スプリット | 例 |
---|
- 機能の構造:
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),
})
- 機能ドキュメント:
特徴 | クラス | 形 | Dタイプ | 説明 |
---|---|---|---|---|
特徴辞書 | ||||
追加した | 文章 | 弦 | ||
作成されました | 文章 | 弦 | ||
ID | 文章 | 弦 | ||
ソース | 文章 | 弦 | ||
文章 | 文章 | 弦 |
監視キー(
as_supervised
docを参照):None
図( tfds.show_examples ): サポートされていません。
例( tfds.as_dataframe ): 欠落しています。
引用:
@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},
}