EleutherAI 发布 Deduplicated Pile 数据集, 应用在 自然语言处理、语言建模 领域

EleutherAI 本次发布的数据集 Deduplicated Pile, 该数据集用于预训练Pythia-410m模型，包含了2000亿去重文本标记。该数据集在各类语言建模任务中发挥着关键作用，对于本论文中的实验研究至关重要。其所涉及的任务是语言建模。

查看Deduplicated Pile

Dataset card 内容： 

Files and versions 内容： 

关于 EleutherAI , EleutherAI是一个专注于开源AI技术发展的研究组织。

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。