Der Dataset-Block ist die Trainingseingabe. Drei Formate werden unterstützt — Datei hochladen oder Text direkt einfügen:
{"messages": [{"role":"user",...},{"role":"assistant",...}]}— Chat (empfohlen; nur der Assistant-Zug wird trainiert){"prompt": "...", "completion": "..."}— Prompt/Completion{"text": "..."}oder jede einfache Zeile — freier Text
Nach dem Upload liefert Check quality einen vollständigen Bericht: Anzahl der Samples, Formatmix, Duplikate, erkannte Sprachen, ein Zeichen-/Token-Längenhistogramm und Warnungen. Persisch und Emojis werden vollständig unterstützt.
Tipp: Mindestens 2 Samples sind nötig; Samples über ~6000 Zeichen erhalten eine Warnung, weil sie bei maxlen abgeschnitten werden. Für einen sauberen Eval-Split deduplizieren.
