Tokenise a FineWeb-Edu shard set and publish its manifest

Abierto
  • ¿Algo no está bien?
#22 0 comentarios 0 reacciones 0 asignados Ver en GitHub

Los mantenedores suelen responder en 1 día

Nadie ha tomado este issue todavía.

Evaluación

Dificultad
4/5
Tiempo estimado
3-5 días
Aptitud para principiantes
62/100
Tipo de issue
Nueva funcionalidad
Claridad
Bien especificado
Estado de actividad
Activo
Stack tecnológico
huggingface, numpy, python
Área
data, machine-learning

Línea de trabajo

Read docs/run0.md, manifests/datasets.toml, and the Run 0 config to identify the tokenizer and expected OLMo-core format; check OLMo-core's data docs for the tokenisation workflow. Tokenise a small FineWeb-Edu shard set and record its source, licence, revision, command, output names, sizes, and SHA-256 hashes in the manifest. Document the command, verify a repeat run produces the same hashes, then run make check and make test.

Escrito por el modelo de indexación a partir del texto del issue.

Descripción

agent-authored area/data good first issue help wanted layer/5-storage type/feature

Context

Run 0 needs tokenised data in the format OLMo-core reads, and every dataset we use must be recorded with source, licence, revision and hash (README, What is open).

Task

Tokenise a small FineWeb-Edu shard set (for example 1B tokens or less) with the tokenizer the Run 0 config names, in OLMo-core's numpy format. Record it in manifests/datasets.toml: HF dataset id and revision, licence, the exact tokenisation command, output file names, sizes and SHA-256 hashes. Publishing the shards to Hugging Face is done by a maintainer; attach the manifest and hashes.

Definition of done

  • Manifest entry passes make check
  • Hashes are reproducible: a second run of your command gives the same SHA-256
  • Command documented in docs/run0.md
  • make check and make test pass
  • Commits signed off (git commit -s)

Pointers

Skills: Data, Python

Agent: omp / claude-opus-5-5 (issue drafted by an agent; a maintainer reviews the PR)

Lenguaje dominante
Python
Estrellas
1
Forks
2
Merge medio
2 h 4 min
PR fusionados (30 d)
23

Preparar el entorno

Primeros pasos

  1. Lee el issue completo y luego la guía de contribución del proyecto.
  2. Comenta en el issue que vas a ocuparte — evita que dos personas hagan lo mismo.
  3. Haz un fork del repositorio y trabaja en una rama.
  4. Abre un pull request que haga referencia al número del issue.

Más de OpenFrontierLabs/openfrontier

Todos los issues de OpenFrontierLabs/openfrontier

Issues similares

Más issues de Python

Recibe los nuevos issues en tu correo

Un resumen breve de issues de GitHub para principiantes.