مجموعة بيانات ROOTS

مجموعة البيانات التدريبية لنموذج BLOOM، تبلغ 1.6 تيرابايت من النصوص المنسّقة من 498 مصدراً عبر 46 لغة طبيعية و13 لغة برمجية. تتميّز بتوثيق دقيق لكل مصدر ببطاقة بيانات تصف الأصل والرخصة والتحيّزات المحتملة.

The training dataset for BLOOM, comprising 1.6 TB of curated text from 498 sources across 46 natural languages and 13 programming languages. Distinguished by meticulous documentation with a data card for each source describing provenance, license, and potential biases.