Data-Juicer 发布 Data-Juicer 数据集, 应用在 自然语言处理、机器学习 领域

Data-Juicer 本次发布的数据集 Data-Juicer, 该数据集包含了8000亿个标记，用于对早期退出的大型语言模型（LLMs）进行预训练。该数据集不仅服务于不同规模早期退出LLMs的训练，而且对训练和推理过程的效率提升有着重要贡献。其规模达到了800亿个标记，任务是对大型语言模型进行预训练。

查看Data-Juicer

README 内容： 

关于 Data-Juicer , -

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。