SlimPajama — LLM Pretrening Dataset
A heavily deduplicated and cleaned version of RedPajama. It removes low-quality and repetitive data to improve training efficiency.
Dataset Details
| Provider | Cerebras |
| Category | Pretrening |
| Size | 627B Tokens |
| License | Apache 2.0 |
| Downloads | 150k |
| Tags | English, Deduplicated, CommonCrawl |
from datasets import load_dataset
ds = load_dataset("cerebras/SlimPajama-627B")
Powiązane zbiory danych
- FineWeb — Pretraining or continued pretraining on high-quality English web text
- The Stack v2 — Pretraining code models across 600+ programming languages
- Cosmopedia — Synthetic-textbook pretraining for small models (the SmolLM recipe)
- FineWeb 2 — Pretraining or continued pretraining in languages other than English
Najczęstsze pytania
Czy mogę użyć SlimPajama komercyjnie?
Tak — SlimPajama 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 SlimPajama i czy potrzebuję wszystkich?
SlimPajama zawiera 627B 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 SlimPajama nadaje się najlepiej?
Efficient English pretraining on a heavily deduplicated corpus. Należy do sekcji „Pretrening" naszego centrum zbiorów danych, gdzie znajdziesz alternatywy i zbiory komplementarne.
← Wszystkie zbiory danych | Fine-Tuning Guide