Hacktoberfest 2026: le issue che i maintainer hanno segnato per ottobre, aperte e adatte ai principianti. Sfoglia le issue Hacktoberfest

Permission request: non-commercial research mirror of tokenized UltraData sets (SHADOW-125M)

Aperta
  • Qualcosa non va?
#383 0 commenti 0 reazioni 0 assegnatari Vedi su GitHub

Nessuno ha ancora preso questa issue.

Valutazione

Difficoltà
5/5
Tempo stimato
Più di una settimana
Idoneità per principianti
15/100
Tipo di issue
Funzionalità
Chiarezza
Da chiarire
Stato di attività
Attiva
Stack tecnologico
huggingface
Ambito
data

Direzione di ricerca

No repository file, test, or implementation entry point is identified. Review the cited UltraData dataset cards and MiniCPM5 tokenizer terms, then determine whether OpenBMB can grant the requested redistribution permission. Done means recording a clear approval, limitation, or refusal for the proposed public tokenized mirror.

Scritto dal modello di indicizzazione a partire dal testo della issue.

Descrizione

Hi OpenBMB team,

I'm Sai Kiran Bathula (Hugging Face / GitHub: QLNI), an independent researcher building SHADOW, a family of small ternary (1.58-bit) language models designed to run offline on a laptop CPU.

Already released:

Next: SHADOW-125M. This is a ternary, looped transformer over a frozen 512-bit word table, with ternary Engram memory and a separately trained retrieval index. It uses your MiniCPM5 tokenizer, and we plan to train on about 2T tokens from your UltraData family: Ultra-FineWeb / -L3, UltraX, UltraData-Math, UltraData-Code, SFT-2605, SFT-Agent-2609 and RL-2609. Your data recipe and the MiniCPM5-2B results are the reason we chose it.

Your cards say "no unauthorized unchanged redistribution", so we're asking before posting anything. We would like written permission to host a tokenized copy (MiniCPM5 token ids, in the mix and order we train on) in a public Hugging Face dataset repo, for non-commercial research use only.

Why public:

  • Cost. Tokenizing 2T tokens takes about a week of CPU time, and private storage for ~5 TB is a monthly cost a small independent project can't carry. A public repo removes both.
  • Reproducibility. Researchers can rerun our exact training without re-tokenizing, and our paper can point to the exact data.

What we would do:

  • Release it strictly as non-commercial, research-only, stated at the top of the card.
  • Label it clearly as derived from OpenBMB UltraData, not our data, with links to every source dataset and citations of your papers.
  • Keep your redistribution notice and the terms of each upstream source on the card.
  • Include a per-shard manifest (source file, revision) and honour any takedown request from you or rights holders within 48 hours.

If a full mirror isn't possible, we would welcome permission for part of it (for example only Ultra-FineWeb-L3 and UltraData-Math). Otherwise we'll keep the tokens private and publish only the recipe and the file list.

Thank you for releasing this data.
Sai Kiran Bathula (QLNI)

Lingua principale
Jupyter Notebook
Stelle
11.1k
Fork
766
Merge medio
5h 3m
PR unite (30g)
6

Preparare l'ambiente

Non abbiamo ancora controllato i file di configurazione di questo progetto. Parti dal suo README e consulta la nostra guida al primo contributo per i passaggi generali.

Come iniziare

  1. Leggi tutta la issue e poi la guida ai contributi del progetto.
  2. Commenta sulla issue per dire che te ne occupi tu — evita che due persone facciano lo stesso lavoro.
  3. Fai un fork del repository e lavora su un branch.
  4. Apri una pull request che faccia riferimento al numero della issue.

Altre issue di OpenBMB/MiniCPM

Tutte le issue di OpenBMB/MiniCPM

Issue simili

Altre issue su Data Engineering

Ricevi le nuove issue nella tua casella

Un breve riepilogo di issue GitHub adatte ai principianti.