[コーパス] - llm-jp-corpus v4 日本語重複除去

[YumaTsuta]

Overview

llm-jp-corpus v4のうち日本語データセットについて重複除去します

Details

llm-jp-corpus v4 のうち個別の日本語データセットについて重複除去後、さらに全体を通して重複除去します。
コーパス概要

Resources

• 計算機
  • クラスタ: Sakura (Ishikari)
  • ノード種別: cpu
  • ノード台数: 9
• コード
  • リポジトリ: FIXME https://github.com/{org}/{repo}
  • コミット: FIXME xxxxxx
• 入力データ:
  • {name}: {physical path}
• 出力データ:
  • 保存先: {cluster}:/data/experiments/{number}
  • データ内訳:
    • {name}: xxx TB （バッファ容量を含む）
• W&B ログ:
  • https://wandb.ai/{team}/{project} FIXME
• 開始日: YYYY-MM-DD
• 終了予定日: YYYY-MM-DD （バッファ期間を含む）