Computer 发布 Red Pajama 数据集, 应用在 自然语言处理、机器学习 领域

Computer 本次发布的数据集 Red Pajama, 该数据集名为“红睡衣”数据集，它是一个开源的数据集，主要用于训练大型语言模型，包含了大约2000亿个标记。目前，该数据集的训练仍在进行中，一旦使用更大数据集的新版本训练完成，将会进行上传更新。目前的数据规模约为2000亿个标记，所涉及的任务是训练大型语言模型。

查看Red Pajama

README 内容： 

关于 arXiv , arXiv 是一个免费分发服务和开放获取的学术文章档案库，涵盖了物理学、数学、计算机科学、定量生物学、定量金融、统计学、电气工程和系统科学以及经济学等领域。该网站上的材料并未经过 arXiv 的同行评审。