دولما

  • وصف :

دولما: مجموعة مفتوحة مكونة من ثلاثة تريليونات رمز لأبحاث التدريب المسبق لنموذج اللغة

  • الصفحة الرئيسية : https://github.com/allenai/dolma

  • كود المصدر : tfds.datasets.dolma.Builder

  • الإصدارات :

    • 1.0.0 (افتراضي): الإصدار الأولي.

  • حجم التحميل : Unknown size

  • حجم مجموعة البيانات : 9.61 TiB

  • التخزين المؤقت التلقائي ( الوثائق ): لا

  • الإنشقاقات :

ينقسم أمثلة
'train' 3,403,336,408
  • هيكل الميزة : 
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),
})
  • وثائق الميزة :
ميزة فصل شكل نوع D وصف
المميزاتDict
وأضاف نص خيط
مخلوق نص خيط
بطاقة تعريف نص خيط
مصدر نص خيط
نص نص خيط
  • الاقتباس : 
@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},
}