橙子AI科技 Logo 橙子AI科技 需求咨询
菜单
数据集

dclm_100BT

HuggingFaceFW/dclm_100BT

查看上游原文 ↗
上游访问：公开 本站服务：可咨询 内容检查：AI 辅助整理并检查 许可证：odc-by 上游版本：01022d378d94

中文简介

HuggingFaceFW/dclm_100BT 是 HuggingFaceFW 在 Hugging Face 发布的数据集仓库，当前卡片主要关联上游卡片所列任务。本站固定记录上游版本 01022d378d94，同步到 102 个文件，文件元数据合计 294.31 GB；访问状态为“公开”，许可证字段为“odc-by”。

UPSTREAM README

上游模型卡 / 数据集卡

在 Hugging Face 查看原文 ↗

【README 卡片中文译介】

以下内容依据上游仓库 HuggingFaceFW/dclm_100BT 的固定版本 README、卡片字段和文件元数据进行中文结构化整理。它保留便于选型的关键信息，完整技术细节、代码示例和许可文本请同时查看上游原文。

【资源概览】
HuggingFaceFW/dclm_100BT 是 HuggingFaceFW 在 Hugging Face 发布的数据集仓库，当前卡片主要关联上游卡片所列任务。本站固定记录上游版本 01022d378d94，同步到 102 个文件，文件元数据合计 294.31 GB；访问状态为“公开”，许可证字段为“odc-by”。

【适用方向】
适合在明确数据字段、拆分和许可证后，用于上游卡片所列任务相关的训练、评测或研究。 正式使用前应先抽样检查字段、语言、重复项、敏感信息和训练/测试划分，避免只依据仓库名称判断数据质量。

【版本与规格】
固定版本：01022d378d94。 任务标签：上游卡片所列任务。 语言字段：en。 数据集卡名称：DCLM 100BT。 规模分类：10M<n<100M。 上游页面记录的最近更新时间：2026-03-02。

【文件信息】
上游 API 返回 102 个文件，文件元数据合计 294.31 GB。 已保存文件清单中的主要扩展名：.parquet 99 个、无扩展名 1 个。 当前较大的文件包括：data/000_00063.parquet（3.03 GB）；data/000_00026.parquet（3.02 GB）；data/000_00023.parquet（3.02 GB）。 仓库文件较多，本站仅保存前 100 条文件元数据；完整清单请查看上游仓库。

【运行或处理环境】
仓库文件元数据合计 294.31 GB。仅按下载、解压和临时文件估算，建议至少预留约 353.17 GB 可用磁盘；实际需求还取决于压缩率、缓存、数据转换和训练副本，正式处理前应以完整文件清单重新测算。

【使用边界】
许可证显示为“odc-by”，具体用途限制、附加政策和归属要求仍以上游原文为准。 数据集还需核对样本来源、隐私与个人信息、标签质量、地域偏差及下游模型的合规要求。

已有简体中文译文 · Codex 基于固定版本 README 与上游元数据生成中文结构化译介 · 2026-07-26 00:51

DCLM 100BT A ~100 billion token English subset of DCLM-Baseline 1.0, created for efficient pretraining experiments. Part of the Smol-Data collection — tried and tested mixes for strong pretraining. Dataset Description This dataset was created by randomly sampling from the full DCLM-Baseline 1.0 dataset (~3.5T tokens) to produce a ~100B token subset. Sampling was performed with a fixed seed (42) and a slight 1.05× oversampling factor to account for variance. A pre-shuffled version is available at HuggingFaceFW/dclm_100BT-shuffled. How It Was Created The dataset was generated using datatrove with the smol_data.py script. The pipeline reads from the source dataset in streaming mode, applies a `SamplerFilter` to downsample, and writes the result back to the Hugging Face Hub. Usage Citation

公开页仅展示原文摘录；完整模型卡或数据集卡请前往上游仓库查看。

适用场景

适合在明确数据字段、拆分和许可证后，用于上游卡片所列任务相关的训练、评测或研究。 正式使用前应先抽样检查字段、语言、重复项、敏感信息和训练/测试划分，避免只依据仓库名称判断数据质量。

规模与格式

固定版本：01022d378d94。 任务标签：上游卡片所列任务。 语言字段：en。 数据集卡名称：DCLM 100BT。 规模分类：10M<n<100M。 上游页面记录的最近更新时间：2026-03-02。

文件说明

上游 API 返回 102 个文件，文件元数据合计 294.31 GB。 已保存文件清单中的主要扩展名：.parquet 99 个、无扩展名 1 个。 当前较大的文件包括：data/000_00063.parquet（3.03 GB）；data/000_00026.parquet（3.02 GB）；data/000_00023.parquet（3.02 GB）。 仓库文件较多，本站仅保存前 100 条文件元数据；完整清单请查看上游仓库。

上游文件元数据

以下仅为 Hugging Face 官方 API 返回的文件名与大小元数据，官网没有下载或托管这些文件。

  • .gitattributes2.45 KB
  • data/000_00000.parquet2.95 GB
  • data/000_00001.parquet2.93 GB
  • data/000_00002.parquet2.97 GB
  • data/000_00003.parquet2.98 GB
  • data/000_00004.parquet2.93 GB
  • data/000_00005.parquet2.96 GB
  • data/000_00006.parquet2.95 GB
  • data/000_00007.parquet2.97 GB
  • data/000_00008.parquet2.93 GB
  • data/000_00009.parquet2.99 GB
  • data/000_00010.parquet2.91 GB

文件较多，本页只展示前 12 项；完整信息以上游仓库为准。

硬件建议

仓库文件元数据合计 294.31 GB。仅按下载、解压和临时文件估算，建议至少预留约 353.17 GB 可用磁盘；实际需求还取决于压缩率、缓存、数据转换和训练副本，正式处理前应以完整文件清单重新测算。

注意事项

许可证显示为“odc-by”，具体用途限制、附加政策和归属要求仍以上游原文为准。 数据集还需核对样本来源、隐私与个人信息、标签质量、地域偏差及下游模型的合规要求。

获取、校验与交付

咨询此资源时只需发送本页链接或资源准确全称。橙子AI科技会继续核对版本、文件与类型、README资料卡、许可证和访问条件，并在合法访问权限、许可证及平台规则允许的前提下，协助海内外下载、完整性校验及网盘或硬盘交付；本官网本身不托管或下载资源文件。

第三方资源声明

本页面为橙子AI科技基于固定版本上游卡片整理的中文信息与服务说明，不代表资源作者或平台官方页面。实际许可、访问和使用条件以上游原文为准。