Datasets:

nyu-mll

/

glue

like 359

It seems that RTE is not loaded as expected: when I call ds = load_dataset('glue', 'rte', split='test'), the output is below

Resolving data files: 100%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████| 83/83 [00:00<00:00, 86362.50it/s]
Downloading data files: 100%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 3/3 [00:00<00:00, 2347.12it/s]
Extracting data files: 100%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 3/3 [00:08<00:00,  2.78s/it]
Generating train split: 201063424 examples [02:01, 1652994.15 examples/s]
Generating validation split: 10059264 examples [00:06, 1472578.67 examples/s]
Generating test split: 10057216 examples [00:07, 1402128.57 examples/s]
(Pdb) ds
Dataset({
    features: ['premise', 'hypothesis', 'label', 'idx'],
    num_rows: 10057216
})

The amount of loaded samples do not match the documentation (10057k instead of 3k rows), and the column names seem to be wrong as well.