GitHub · 去对齐工具与仓库·· 20 天前AI 评分47
dataflow：面向大语言模型训练数据的流式分片可恢复数据处理流水线
kuluruvineeth/dataflow
来源与原文
GitHub · 去对齐工具与仓库
发布时间：（北京时间）
阅读原始来源 · github.com ↗完整链接与内容说明
https://github.com/kuluruvineeth/dataflow
本站目前仅有 AI 导读与摘要，未展示原文正文；技术细节、代码和完整结论请查看原始来源。
AI 导读
GitHub 开源项目 dataflow 提供用于准备大语言模型训练数据的流式、分片、可恢复流水线。流水线由 reader、extractor、filters、dedup、tokenizer、writer 等步骤组成，文档逐条流过使内存占用保持恒定；任务按文件分片独立处理，同一流水线可在单机或多机运行，崩溃后可从未完成任务恢复。
来源：GitHub · 去对齐工具与仓库 · github.com