Hacktoberfest 2026: những issue maintainer đã đánh dấu cho tháng Mười, đang mở và phù hợp người mới. Xem issue Hacktoberfest

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

Đang mở
  • Có gì không ổn?
#383 0 bình luận 0 reaction 0 người được giao Xem trên GitHub

Chưa có ai nhận issue này.

Đánh giá

Độ khó
5/5
Thời gian dự kiến
Hơn một tuần
Mức phù hợp với người mới
15/100
Loại issue
Tính năng
Độ rõ ràng
Cần làm rõ
Mức độ hoạt động
Sôi nổi
Công nghệ
huggingface
Lĩnh vực
data

Hướng nghiên cứu

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.

Do mô hình lập chỉ mục viết ra từ nội dung của issue.

Mô tả

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)

Ngôn ngữ chính
Jupyter Notebook
Star
11.3k
Fork
778
Merge trung bình
5 giờ 3 phút
Pull request đã merge (30 ngày)
6

Chuẩn bị môi trường

Dự án này không cung cấp dev container, Dockerfile hay hướng dẫn đóng góp, nên bạn cần tự thiết lập môi trường: hãy bắt đầu từ README và xem hướng dẫn đóng góp lần đầu của chúng tôi để biết các bước chung.

Bắt đầu từ đâu

  1. Đọc hết issue, rồi đọc hướng dẫn đóng góp của dự án.
  2. Bình luận trên issue rằng bạn sẽ nhận — tránh hai người làm cùng một việc.
  3. Fork repository và làm thay đổi trên một nhánh.
  4. Mở pull request có tham chiếu số hiệu của issue.

Issue khác của OpenBMB/MiniCPM

Tất cả issue của OpenBMB/MiniCPM

Issue tương tự

Thêm issue về Data Engineering

Nhận issue mới trong hộp thư của bạn

Bản tóm tắt ngắn những issue GitHub phù hợp với người mới.