Zbiór danych zawierający syntetyczne podręczniki, wpisy blogowe i opowiadania wygenerowane przez Mixtral-8x7B. Zaprojektowany tak, by przekazywać wysokiej jakości treści edukacyjne.
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.