Aetherworld
/
系统
AetherSeed Dataset Builder v0.1

数据集

把投喂铸造炉的候选样本收编为正式可管理、可导出、可版本化的训练数据集。 BLOCK 样本永不导出；不真正训练；不自动上传外部。

训练样本
0
评测样本
0
数据集版本
0
样本类型种类
0
⓪ Token 统计 / 训练评测划分 / 质量面板 / 冒烟封版
本地启发式估算 · 不上传 · ±20% 偏差
样本条数不等于 token 数。当前数据足够验证训练链路，不代表足够训练出高质量模型。
训练总 token
0
评测总 token
0
有效 token
0
重复率
0.0%
平均每条 token
0
最长样本 token
0
最短样本 token
0
训练样本数
0
训练 / 评测划分策略
当前：训练 0 ／ 评测 0｜ 评测占 0.0% ｜ 目标占比 10%
评测占比 0.0% 偏低，建议补充评测样本。
评测集不应大于训练集。第一炉建议评测占 5%–15%。
按样本类型 Token 分布
SFT JSONL
样本 0 · token 0 · 平均 0
Alpaca
样本 0 · token 0 · 平均 0
预训练 Text
样本 0 · token 0 · 平均 0
ChatML
样本 0 · token 0 · 平均 0
MSL
样本 0 · token 0 · 平均 0
Lovable Prompt
样本 0 · token 0 · 平均 0
按样本长度分层（短 / 中 / 长 / 超长）
短样本 (0–150 token)
0 条 · 0 · 0.0%
路由 / 分类 / 短问答 / 冒烟测试
中样本 (150–800 token)
0 条 · 0 · 0.0%
SFT / 结构问答 / 提示词生成
长样本 (800–3000 token)
0 条 · 0 · 0.0%
预训练 / 方法论吸收 / 系统文档学习
超长样本 (3000+ token)
0 条 · 0 · 0.0%
长文档预训练（需确认 contextLength）
AetherSeed 300M 推荐切片模式：混合切片（自动生成短 / 中 / 长）
短切片（路由 / 冒烟）
32–150 token
路由 / 分类 / 短问答 / 冒烟测试
中切片（SFT）
150–800 token
SFT / 结构问答 / 提示词生成
长切片（预训练）
800–3000 token
预训练 / 方法论吸收 / 系统文档学习
混合切片（自动生成短 / 中 / 长）
32–3000 token
AetherSeed 300M 默认推荐：自动产出短 / 中 / 长三类样本
数据集质量面板
有效 token
0
训练/评测
0 / 0 (评测占 0.0%)
平均每条
0 token
中长样本占比
0.0%
SFT token
0
Alpaca token
0
Pretrain token
0
ChatML token
0
适合冒烟训练：❌适合正式训练：❌
  • 平均每条样本仅 0 token，明显偏短：建议改用「中切片」或「混合」切片模式。
  • 中长样本仅占 0.0%，难以训练出方法论与系统级理解。
模型适配度（基于有效 token）
AetherSeed 300M 私有模型当前档位：未达冒烟门槛
冒烟测试
门槛 50.0K
❌ 还差 50.0K
初步可用
门槛 5.00M
❌ 还差 5.00M
正式第一版
门槛 300.00M
❌ 还差 300.00M
AetherSeed 1B（未来）当前档位：未达冒烟门槛
冒烟测试
门槛 200.0K
❌ 还差 200.0K
初步可用
门槛 50.00M
❌ 还差 50.00M
正式第一版
门槛 1.00B
❌ 还差 1.00B
冒烟数据集封版建议：AetherSeed-300M-Smoke-Dataset-v0.1
  • 有效 token 0 未达冒烟门槛 50K
  • 不得标记为「正式高质量训练集」
  • 不得标记为「AetherSeed 300M 第一版完成」
  • 不得用于发布、对外展示或商用
  • 样本条数不等于 token 数。当前数据量足够冒烟测试，不代表足够训练出高质量模型。
  • 本估算基于本地启发式（中文 1 字 ≈ 1 token，其他字符 4 字符 ≈ 1 token），与真实 tokenizer 会有 ±20% 偏差。
  • 重复率仅按 instruction+output 文本指纹估算，不代表语义去重。
  • 有效 token 数 = 总 token × (1 − 重复率) × (1 − WARN 折扣 0.5)。
① 快速投喂（直接进入数据集存储）
完整投喂入口（含文件 / 文件夹）请前往 /system/intake-forge。
② 构建数据集版本
材料工厂自动入库 · 全量语料分区（Full Corpus）
材料工厂自动将 RawCorpus / LongCorpus / FullCorpusCandidate 写入，并自动封版为 FULL_CORPUS 数据集版本
原始文档（RawCorpus）
0 篇 · 0
长语料切片（LongCorpus）
0 段 · 0
全量候选数
0 份
候选总 token
0
暂无全量语料候选。在 /system/intake-forge 投喂长文档后会自动产生。
数据集版本（0）
还未构建任何数据集版本。先投喂样本，再点上方构建按钮。
允许
  • 只导出 PASS / WARN 样本（WARN 已脱敏）
  • 导出前再次扫描密钥 / token / Full60 / Founder-only 痕迹
  • 导出仅生成内存预览与下载占位，不自动上传外部
  • 数据集版本不可变；修订生成新版本号
  • 保留 sourceIntakeRunIds 用于追溯与回验
禁止
  • 不导出 BLOCK 样本
  • 不导出 secret / Bearer / JWT / 私钥
  • 不导出 Full60 原始数列
  • 不导出 Founder-only 原文
  • 不自动上传任何样本到外部服务
  • 不真正触发训练 / 不调用外部训练服务
  • 不保存明文私密配置
首页输入会创建一个新对话会话 · Enter 发送 · Shift+Enter 换行