долма

Описание :

Долма: открытый корпус из трех триллионов токенов для исследования предварительной подготовки языковой модели

Домашняя страница : https://github.com/allenai/dolma
Исходный код : tfds.datasets.dolma.Builder
Версии :
- 1.0.0 (по умолчанию): первоначальный выпуск.
Размер загрузки : Unknown size
Размер набора данных : Unknown size
Автокэширование ( документация ): неизвестно.
Расколы :

Расколоть	Примеры

Структура функции :

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),
})

Функциональная документация :

Особенность	Сорт	Дтип
	ВозможностиDict
добавлен	Текст	нить
созданный	Текст	нить
идентификатор	Текст	нить
источник	Текст	нить
текст	Текст	нить

Контролируемые ключи (см. документ as_supervised ): None
Рисунок ( tfds.show_examples ): не поддерживается.
Примеры ( tfds.as_dataframe ): Отсутствуют.
Цитата :

@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},
}