SandboxAQ/SAIR

数据集简介

SAIR 是由 SandboxAQ 发布的一个大规模数据集，主要用于人工智能研究，特别是涉及表格数据和文本数据的应用场景。

主要特性

• 数据类型：该数据集包含表格数据和文本数据两种模态。
• 数据规模：数据量较大，包含约 880 万行数据。
• 技术格式：数据以 Parquet 格式存储，便于高效处理和分析。支持使用 datasets、pandas、mlcroissant、polars 等主流库进行加载和操作。

主要用途与场景

该数据集适用于需要结合结构化表格信息与非结构化文本信息的机器学习任务，例如：
- 联合分析表格与文本的模型训练。
- 信息提取与知识发现。
- 作为基准数据集用于评估多模态模型的性能。