Cosmopedia — LLM Pretrening Dataset
A dataset of synthetic textbooks, blog posts, and stories generated by Mixtral-8x7B. Designed to convey high-quality educational content.
Dataset Details
| Provider | HuggingFaceFW |
| Category | Pretrening |
| Size | 25B Tokens |
| License | Apache 2.0 |
| Downloads | 400k |
| Tags | Synthetic, Education, Textbook |
from datasets import load_dataset
ds = load_dataset("HuggingFaceFW/cosmopedia")
Powiązane zbiory danych
- FineWeb — Pretraining or continued pretraining on high-quality English web text
- Python-Edu — Continued pretraining for Python code understanding
- SlimPajama — Efficient English pretraining on a heavily deduplicated corpus
- FineWeb 2 — Pretraining or continued pretraining in languages other than English
Najczęstsze pytania
Czy mogę użyć Cosmopedia komercyjnie?
Tak — Cosmopedia jest udostępniony na licencji Apache 2.0, liberalnej licencji pozwalającej na użycie komercyjne, w tym trenowanie modeli wdrażanych w produkcie. Przed publikacją sprawdź wymogi atrybucji na karcie zbioru.
Ile danych zawiera Cosmopedia i czy potrzebuję wszystkich?
Cosmopedia zawiera 25B Tokens. Rzadko potrzebujesz całości: do fine-tuningu stylu i formatu wystarcza kilkaset–kilka tysięcy przykładów — załaduj wycinek (np. split="train[:1000]") i zwiększaj skalę tylko, gdy jakość przestaje rosnąć.
Do czego Cosmopedia nadaje się najlepiej?
Synthetic-textbook pretraining for small models (the SmolLM recipe). Należy do sekcji „Pretrening" naszego centrum zbiorów danych, gdzie znajdziesz alternatywy i zbiory komplementarne.
← Wszystkie zbiory danych | Fine-Tuning Guide