| Language | ['arb_Arab', 'ces_Latn', 'cmn_Hani', 'dan_Latn', 'deu_Latn', 'ell_Grek', 'fra_Latn', 'fw_edu', 'hun_Latn', 'ind_Latn', 'ita_Latn', 'jpn_Jpan', 'nld_Latn', 'pol_Latn', 'por_Latn', 'rus_Cyrl', 'spa_Latn', 'swe_Latn', 'tur_Latn', 'vie_Latn'] |
| Training Shards | 40, ['fineweb_2_hq.arb_Arab.chunk.00.jsonl', 'fineweb_2_hq.arb_Arab.chunk.01.jsonl', 'fineweb_2_hq.ces_Latn.chunk.00.jsonl', 'fineweb_2_hq.ces_Latn.chunk.01.jsonl', 'fineweb_2_hq.cmn_Hani.chunk.00.jsonl', 'fineweb_2_hq.cmn_Hani.chunk.01.jsonl', 'fineweb_2_hq.dan_Latn.chunk.00.jsonl', 'fineweb_2_hq.dan_Latn.chunk.01.jsonl', 'fineweb_2_hq.deu_Latn.chunk.00.jsonl', 'fineweb_2_hq.deu_Latn.chunk.01.jsonl', 'fineweb_2_hq.ell_Grek.chunk.00.jsonl', 'fineweb_2_hq.ell_Grek.chunk.01.jsonl', 'fineweb_2_hq.fra_Latn.chunk.00.jsonl', 'fineweb_2_hq.fra_Latn.chunk.01.jsonl', 'fineweb_edu_100bt.chunk.00.jsonl', 'fineweb_edu_100bt.chunk.01.jsonl', 'fineweb_2_hq.hun_Latn.chunk.00.jsonl', 'fineweb_2_hq.hun_Latn.chunk.01.jsonl', 'fineweb_2_hq.ind_Latn.chunk.00.jsonl', 'fineweb_2_hq.ind_Latn.chunk.01.jsonl', 'fineweb_2_hq.ita_Latn.chunk.00.jsonl', 'fineweb_2_hq.ita_Latn.chunk.01.jsonl', 'fineweb_2_hq.jpn_Jpan.chunk.00.jsonl', 'fineweb_2_hq.jpn_Jpan.chunk.01.jsonl', 'fineweb_2_hq.nld_Latn.chunk.00.jsonl', 'fineweb_2_hq.nld_Latn.chunk.01.jsonl', 'fineweb_2_hq.pol_Latn.chunk.00.jsonl', 'fineweb_2_hq.pol_Latn.chunk.01.jsonl', 'fineweb_2_hq.por_Latn.chunk.00.jsonl', 'fineweb_2_hq.por_Latn.chunk.01.jsonl', 'fineweb_2_hq.rus_Cyrl.chunk.00.jsonl', 'fineweb_2_hq.rus_Cyrl.chunk.01.jsonl', 'fineweb_2_hq.spa_Latn.chunk.00.jsonl', 'fineweb_2_hq.spa_Latn.chunk.01.jsonl', 'fineweb_2_hq.swe_Latn.chunk.00.jsonl', 'fineweb_2_hq.swe_Latn.chunk.01.jsonl', 'fineweb_2_hq.tur_Latn.chunk.00.jsonl', 'fineweb_2_hq.tur_Latn.chunk.01.jsonl', 'fineweb_2_hq.vie_Latn.chunk.00.jsonl', 'fineweb_2_hq.vie_Latn.chunk.01.jsonl'] |