Tokenise a FineWeb-Edu shard set and publish its manifest

Aperta
  • Qualcosa non va?
#22 0 commenti 0 reazioni 0 assegnatari Vedi su GitHub

I maintainer di solito rispondono entro 1 giorno

Nessuno ha ancora preso questa issue.

Valutazione

Difficoltà
4/5
Tempo stimato
3-5 giorni
Idoneità per principianti
62/100
Tipo di issue
Funzionalità
Chiarezza
Specificata chiaramente
Stato di attività
Attiva
Stack tecnologico
huggingface, numpy, python
Ambito
data, machine-learning

Direzione di ricerca

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.

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

Descrizione

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)

Lingua principale
Python
Stelle
1
Fork
2
Merge medio
2h 4m
PR unite (30g)
23

Preparare l'ambiente

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 OpenFrontierLabs/openfrontier

Tutte le issue di OpenFrontierLabs/openfrontier

Issue simili

Altre issue su Python

Ricevi le nuove issue nella tua casella

Un breve riepilogo di issue GitHub adatte ai principianti.