OpenMol/MolInst_RS_125K_SMILES_1_4_MMChat

---
dataset_info:
features:
- name: id
dtype: int64
- name: molecules
struct:
- name: selfies
sequence: string
- name: smiles
sequence: string
- name: ground_truth
dtype: string
- name: messages
list:
- name: content
dtype: string
- name: role
dtype: string
splits:
- name: train
num_bytes: 27316607
num_examples: 32171
- name: test
num_bytes: 782363
num_examples: 1000
download_size: 4595521
dataset_size: 28098970
configs:
- config_name: default
data_files:
- split: train
path: data/train-*
- split: test
path: data/test-*
---

数据集信息：
特征字段：
- 名称：id，数据类型：int64（64位整数）
- 名称：molecules，为结构体类型，包含两个子字段：
- 名称：selfies（自引用嵌入字符串，SELFIES），类型为字符串序列
- 名称：smiles（简化分子线性输入规范，Simplified Molecular Input Line Entry System），类型为字符串序列
- 名称：ground_truth（标注真值），数据类型：字符串
- 名称：messages，为列表类型，列表元素为结构体，包含两个字段：
- 名称：content（消息内容），数据类型：字符串
- 名称：role（消息角色），数据类型：字符串
数据集划分：
- 划分名称：train（训练集），数据字节数：27316607，样本数量：32171
- 划分名称：test（测试集），数据字节数：782363，样本数量：1000
下载总大小：4595521 字节，数据集总存储大小：28098970 字节
配置项：
- 配置名称：default，数据文件对应关系：
- 训练集（train）：对应路径为 data/train-*
- 测试集（test）：对应路径为 data/test-*

原始信息汇总

数据集概述

特征信息

• id: 数据类型为 int64。
• molecules: 结构包含以下字段：
  • selfies: 序列类型为 string。
  • smiles: 序列类型为 string。
• ground_truth: 数据类型为 string。
• messages: 列表包含以下字段：
  • content: 数据类型为 string。
  • role: 数据类型为 string。

数据分割

• train: 包含 32171 个样本，占用 27316607 字节。
• test: 包含 1000 个样本，占用 782363 字节。

数据大小

• 下载大小: 4595521 字节。
• 数据集大小: 28098970 字节。

配置信息

• default: 包含以下数据文件：
  • train: 路径为 data/train-*。
  • test: 路径为 data/test-*。