> ## Documentation Index
> Fetch the complete documentation index at: https://docs.tuneplane.ai/llms.txt
> Use this file to discover all available pages before exploring further.
# 数据集
> 有版本的数据集资产、文件清单，以及数据质量报告。
## 你会看到什么
| 区域 | 显示什么 |
| -------- | -------------------------- |
| **版本** | 每个不可变版本及其校验和 |
| **文件清单** | 这个版本里有什么，以及每个文件的大小 |
| **预览** | 控制台能渲染的格式的样本记录——且仅在策略允许时 |
| **数据质量** | 推送时对全量数据计算 |
| **使用情况** | 哪些作业引用过它，这是判断某个版本能否安全删除的依据 |
## 质量报告
在推送时算一次，覆盖全量数据——只有非常大的数据集才采样。
它统计的是机器能统计的东西，不假装能判断内容。
| 指标 | 为什么有它 |
| ---------------- | ------------------------------------------ |
| **记录数** | 确认你以为自己上传的那个数 |
| **重复** | 近似重复和完全字节相同分开统计。重复率高意味着模型会对重复样本过拟合 |
| **空记录** | 没有可用内容的记录 |
| **长度 p50 / p95** | 用 p95 而不是均值来定 `max_seq_len`——按均值会截掉五分之一的数据 |
| **字段漂移** | 字段集合与多数派不同的记录，以及它们缺了哪些字段 |
字段漂移是最能抓到真 bug 的那一项。几百条记录缺了你的 loss 要读的字段，作业不会失败；
它们会安静地在空值上训练，然后把曲线拖下去。
## 受保护的数据集
一个数据集可以被治理成「可以用于训练，但读不到内容」。这样的数据集在控制台上只显示
身份、版本、schema、血缘和授权状态——没有预览、没有样本记录、没有下载。
这是在服务端强制的，不是把按钮藏起来。日志、验证样本和产物受同一套策略约束，
所以它们不会变成另一条导出通道。
## 从控制台上传
数据集列表页的**上传数据集**用来新建一个数据集和它的第一个版本；数据集详情页的**上传新版本**
是给已有数据集加一个版本。两者问的是 `tp dataset push` 一样的三个问题——哪个数据集、哪个版本、
哪些文件——文件也一样是用预签名 URL 直传对象存储。`index.json` 是「这个版本已完整」的标记，
也因此让版本不可变，所以它只在全部文件都落盘之后才写：中途失败留下的是一个仍然空着的版本号，
而不是一个自称已完成的版本。
文件里如果有 `README.md`，会一并作为数据集说明发布，和 CLI 推送的行为一致。
质量报告和污染指纹不在浏览器里算——一个页面不会为了切 n-gram 去读几个 GB。版本出现之后，
worker 会在扫描它的同一趟里从对象存储把它们算出来，写在版本旁边，位置和 CLI 推送时写的一样。
超过单版本的读取预算时，报告会把自己标成**抽样**，而不是拿半个文件算出来的重复率当全量。
控制台上传拒绝超过 512 MB 的单个文件：浏览器要算校验和就得把整个文件读进内存，而这个校验和
正是作业侧用来验证下载完整性的东西。`tp dataset push` 是流式的，没有这个限制——它也是在推送
时就把两份报告按全量算出来，而不是事后按预算算。
## 你可以做什么
* 在配置里或用 `--train-dataset` **引用某个版本**。
* 在这一页，或用 `tp dataset push` **推送新版本**。
* 推送前用 `tp dataset check` 和 `tp dataset quality` **先检查质量**。
完整流程见[数据集](/zh-Hans/guides/datasets)。