Hugging Face's logo

Buckets:
HCAI-Lab
/
dolma3-6t-corpus-raw

Files
xet
HCAI-Lab/dolma3-6t-corpus-raw / phase1_pool_shared
3.65 TB
175,916 files
Updated about 2 months ago
Name
Size
common_crawl
data__common_crawl-adult_content-0017__shard_00000014.jsonl.zst.done3 Bytes
xet
data__common_crawl-adult_content-0017__shard_00000014.jsonl.zst.stats.json340 Bytes
xet
data__common_crawl-adult_content-0017__shard_00000026.jsonl.zst.done3 Bytes
xet
data__common_crawl-adult_content-0017__shard_00000026.jsonl.zst.stats.json340 Bytes
xet
data__common_crawl-adult_content-0017__shard_00000034.jsonl.zst.done3 Bytes
xet
data__common_crawl-adult_content-0017__shard_00000034.jsonl.zst.stats.json340 Bytes
xet
data__common_crawl-adult_content-0017__shard_00000180.jsonl.zst.done3 Bytes
xet
data__common_crawl-adult_content-0017__shard_00000180.jsonl.zst.stats.json340 Bytes
xet
data__common_crawl-adult_content-0017__shard_00000198.jsonl.zst.done3 Bytes
xet
data__common_crawl-adult_content-0017__shard_00000198.jsonl.zst.stats.json340 Bytes
xet
data__common_crawl-adult_content-0017__shard_00000203.jsonl.zst.done3 Bytes
xet
data__common_crawl-adult_content-0017__shard_00000203.jsonl.zst.stats.json340 Bytes
xet
data__common_crawl-adult_content-0017__shard_00000208.jsonl.zst.done3 Bytes
xet
data__common_crawl-adult_content-0017__shard_00000208.jsonl.zst.stats.json340 Bytes
xet
data__common_crawl-adult_content-0017__shard_00000220.jsonl.zst.done3 Bytes
xet
data__common_crawl-adult_content-0017__shard_00000220.jsonl.zst.stats.json340 Bytes
xet
data__common_crawl-adult_content-0018__shard_00000001.jsonl.zst.done3 Bytes
xet
data__common_crawl-adult_content-0018__shard_00000001.jsonl.zst.stats.json340 Bytes
xet
data__common_crawl-adult_content-0018__shard_00000003.jsonl.zst.done3 Bytes
xet
data__common_crawl-adult_content-0018__shard_00000003.jsonl.zst.stats.json340 Bytes
xet
data__common_crawl-adult_content-0018__shard_00000004.jsonl.zst.done3 Bytes
xet
data__common_crawl-adult_content-0018__shard_00000004.jsonl.zst.stats.json341 Bytes
xet
data__common_crawl-adult_content-0018__shard_00000007.jsonl.zst.done3 Bytes
xet
data__common_crawl-adult_content-0018__shard_00000007.jsonl.zst.stats.json341 Bytes
xet
data__common_crawl-adult_content-0018__shard_00000008.jsonl.zst.done3 Bytes
xet
data__common_crawl-adult_content-0018__shard_00000008.jsonl.zst.stats.json341 Bytes
xet
data__common_crawl-adult_content-0018__shard_00000009.jsonl.zst.done3 Bytes
xet
data__common_crawl-adult_content-0018__shard_00000009.jsonl.zst.stats.json341 Bytes
xet
data__common_crawl-adult_content-0018__shard_00000010.jsonl.zst.done3 Bytes
xet
data__common_crawl-adult_content-0018__shard_00000010.jsonl.zst.stats.json341 Bytes
xet
data__common_crawl-adult_content-0018__shard_00000014.jsonl.zst.done3 Bytes
xet
data__common_crawl-adult_content-0018__shard_00000014.jsonl.zst.stats.json341 Bytes
xet
data__common_crawl-adult_content-0018__shard_00000016.jsonl.zst.done3 Bytes
xet
data__common_crawl-adult_content-0018__shard_00000016.jsonl.zst.stats.json341 Bytes
xet
data__common_crawl-adult_content-0018__shard_00000017.jsonl.zst.done3 Bytes
xet
data__common_crawl-adult_content-0018__shard_00000017.jsonl.zst.stats.json341 Bytes
xet
data__common_crawl-adult_content-0018__shard_00000018.jsonl.zst.done3 Bytes
xet
data__common_crawl-adult_content-0018__shard_00000018.jsonl.zst.stats.json341 Bytes
xet
data__common_crawl-adult_content-0018__shard_00000019.jsonl.zst.done3 Bytes
xet
data__common_crawl-adult_content-0018__shard_00000019.jsonl.zst.stats.json341 Bytes
xet
data__common_crawl-adult_content-0018__shard_00000025.jsonl.zst.done3 Bytes
xet
data__common_crawl-adult_content-0018__shard_00000025.jsonl.zst.stats.json341 Bytes
xet
data__common_crawl-adult_content-0018__shard_00000026.jsonl.zst.done3 Bytes
xet
data__common_crawl-adult_content-0018__shard_00000026.jsonl.zst.stats.json341 Bytes
xet
data__common_crawl-adult_content-0018__shard_00000028.jsonl.zst.done3 Bytes
xet
data__common_crawl-adult_content-0018__shard_00000028.jsonl.zst.stats.json341 Bytes
xet
data__common_crawl-adult_content-0018__shard_00000029.jsonl.zst.done3 Bytes
xet
data__common_crawl-adult_content-0018__shard_00000029.jsonl.zst.stats.json341 Bytes
xet
data__common_crawl-adult_content-0018__shard_00000031.jsonl.zst.done3 Bytes
xet
data__common_crawl-adult_content-0018__shard_00000031.jsonl.zst.stats.json341 Bytes
xet
data__common_crawl-adult_content-0018__shard_00000036.jsonl.zst.done3 Bytes
xet
data__common_crawl-adult_content-0018__shard_00000036.jsonl.zst.stats.json341 Bytes
xet
data__common_crawl-adult_content-0018__shard_00000037.jsonl.zst.done3 Bytes
xet
data__common_crawl-adult_content-0018__shard_00000037.jsonl.zst.stats.json341 Bytes
xet
data__common_crawl-adult_content-0018__shard_00000038.jsonl.zst.done3 Bytes
xet
data__common_crawl-adult_content-0018__shard_00000038.jsonl.zst.stats.json341 Bytes
xet
data__common_crawl-adult_content-0018__shard_00000042.jsonl.zst.done3 Bytes
xet
data__common_crawl-adult_content-0018__shard_00000042.jsonl.zst.stats.json341 Bytes
xet
data__common_crawl-adult_content-0018__shard_00000044.jsonl.zst.done3 Bytes
xet
data__common_crawl-adult_content-0018__shard_00000044.jsonl.zst.stats.json341 Bytes
xet
data__common_crawl-adult_content-0018__shard_00000047.jsonl.zst.done3 Bytes
xet
data__common_crawl-adult_content-0018__shard_00000047.jsonl.zst.stats.json341 Bytes
xet
data__common_crawl-adult_content-0018__shard_00000048.jsonl.zst.done3 Bytes
xet
data__common_crawl-adult_content-0018__shard_00000048.jsonl.zst.stats.json341 Bytes
xet
data__common_crawl-adult_content-0018__shard_00000050.jsonl.zst.done3 Bytes
xet
data__common_crawl-adult_content-0018__shard_00000050.jsonl.zst.stats.json341 Bytes
xet
data__common_crawl-adult_content-0018__shard_00000051.jsonl.zst.done3 Bytes
xet
data__common_crawl-adult_content-0018__shard_00000051.jsonl.zst.stats.json341 Bytes
xet
data__common_crawl-adult_content-0018__shard_00000054.jsonl.zst.done3 Bytes
xet
data__common_crawl-adult_content-0018__shard_00000054.jsonl.zst.stats.json341 Bytes
xet
data__common_crawl-adult_content-0018__shard_00000055.jsonl.zst.done3 Bytes
xet
data__common_crawl-adult_content-0018__shard_00000055.jsonl.zst.stats.json341 Bytes
xet
data__common_crawl-adult_content-0018__shard_00000056.jsonl.zst.done3 Bytes
xet
data__common_crawl-adult_content-0018__shard_00000056.jsonl.zst.stats.json341 Bytes
xet
data__common_crawl-adult_content-0018__shard_00000057.jsonl.zst.done3 Bytes
xet
data__common_crawl-adult_content-0018__shard_00000057.jsonl.zst.stats.json341 Bytes
xet
data__common_crawl-adult_content-0018__shard_00000059.jsonl.zst.done3 Bytes
xet
data__common_crawl-adult_content-0018__shard_00000059.jsonl.zst.stats.json341 Bytes
xet
data__common_crawl-adult_content-0018__shard_00000061.jsonl.zst.done3 Bytes
xet
data__common_crawl-adult_content-0018__shard_00000061.jsonl.zst.stats.json341 Bytes
xet
data__common_crawl-adult_content-0018__shard_00000063.jsonl.zst.done3 Bytes
xet
data__common_crawl-adult_content-0018__shard_00000063.jsonl.zst.stats.json341 Bytes
xet
data__common_crawl-adult_content-0018__shard_00000064.jsonl.zst.done3 Bytes
xet
data__common_crawl-adult_content-0018__shard_00000064.jsonl.zst.stats.json341 Bytes
xet
data__common_crawl-adult_content-0018__shard_00000066.jsonl.zst.done3 Bytes
xet
data__common_crawl-adult_content-0018__shard_00000066.jsonl.zst.stats.json341 Bytes
xet
data__common_crawl-adult_content-0018__shard_00000070.jsonl.zst.done3 Bytes
xet
data__common_crawl-adult_content-0018__shard_00000070.jsonl.zst.stats.json341 Bytes
xet
data__common_crawl-adult_content-0018__shard_00000071.jsonl.zst.done3 Bytes
xet
data__common_crawl-adult_content-0018__shard_00000071.jsonl.zst.stats.json341 Bytes
xet
data__common_crawl-adult_content-0018__shard_00000073.jsonl.zst.done3 Bytes
xet
data__common_crawl-adult_content-0018__shard_00000073.jsonl.zst.stats.json341 Bytes
xet
data__common_crawl-adult_content-0018__shard_00000076.jsonl.zst.done3 Bytes
xet
data__common_crawl-adult_content-0018__shard_00000076.jsonl.zst.stats.json341 Bytes
xet
data__common_crawl-adult_content-0018__shard_00000080.jsonl.zst.done3 Bytes
xet
data__common_crawl-adult_content-0018__shard_00000080.jsonl.zst.stats.json341 Bytes
xet
data__common_crawl-adult_content-0018__shard_00000084.jsonl.zst.done3 Bytes
xet
data__common_crawl-adult_content-0018__shard_00000084.jsonl.zst.stats.json341 Bytes
xet
data__common_crawl-adult_content-0018__shard_00000085.jsonl.zst.done3 Bytes
xet
Total size
3.65 TB
Files
175,916
Last updated
May 29
Pre-warmed CDN
US EU US EU

Contributors