talon-community/PanDomain-V1.3

---
dataset_info:
features:
- name: id
dtype: string
- name: conversations
list:
- name: from
dtype: string
- name: value
dtype: string
splits:
- name: train
num_bytes: 166994655
num_examples: 19940
download_size: 72972871
dataset_size: 166994655
configs:
- config_name: default
data_files:
- split: train
path: data/train-*
license: cc-by-4.0
task_categories:
- question-answering
language:
- en
tags:
- chemistry
- biology
- code
size_categories:
- 10K<n<100K
---
PanDomain-V1 is a high-quality, fully English dataset designed for training generalist language models across all major domains. It serves as the foundational training corpus for the Talon model family, built to support broad capabilities in both reasoning and generation.

Every model sees everything.

数据集信息：
特征：
- 名称：id，数据类型：字符串
- 名称：conversations，类型为列表，列表内包含两个子特征：
- 名称：from，数据类型：字符串
- 名称：value，数据类型：字符串
数据集划分：
- 名称：训练集（train），字节数：166994655，样本数量：19940
下载大小：72972871，数据集总大小：166994655
配置项：
- 配置名：default，数据文件：
- 划分集：训练集，路径：data/train-*
授权协议：cc-by-4.0
任务类别：
- 问答（question-answering）
语言：
- 英语（en）
标签：
- 化学（chemistry）
- 生物学（biology）
- 代码（code）
规模类别：
- 10K < n < 100K

PanDomain-V1 是一款高质量全英文数据集，专为覆盖全主流领域的通用大语言模型（Large Language Model, LLM）训练而设计。它作为 Talon 模型系列的基础训练语料库，旨在支撑模型在推理与生成两大维度上具备广泛的能力表现。

所有模型均可接触全量训练数据。