Tokenizer wiki bench
Открытый датасет «Tokenizer wiki bench» от occiglot. Лицензия MIT. Файлы остаются у источника.
Multilingual Tokenizer Benchmark This dataset includes pre-processed wikipedia data for tokenizer evaluation in 45 languages. We provide more information on the evaluation task in general this blogpost. Usage The dataset allows us to easily calculate tokenizer fertility and the proportion of continued words on any of the supported languages. In the example below we take the Mistral tokenizer and evaluate its performance on Slovak. from transformers import… Карточка открытого датасета. Файлы на площадку не копируются. Автор: occiglot. Лицензия: MIT.
Состав
- Тип
- Таблица
- Форматы
- PARQUET
- Строки
- —
- Часы
- —
- Объём
- —
- ПДн в карточке
- ПДн нет
- Язык
- ru
- География
- русский
Образец
Текстового образца нет. Для открытого набора файл лежит у источника.
Автор: occiglot. Источник: https://huggingface.co/datasets/occiglot/tokenizer-wiki-bench. Лицензия: MIT (https://huggingface.co/datasets/occiglot/tokenizer-wiki-bench).
Площадка является информационным посредником (ст. 1253.1 ГК РФ). Ответственность за законность данных несёт продавец. Сообщить о нарушении