Mocno zdeduplikowana i oczyszczona wersja RedPajama. Usuwa dane niskiej jakości i powtarzalne, poprawiając efektywność treningu.
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.