update dataset preprocess

[Jintao-Huang]

PR type

• Bug Fix
• New Feature
• Document Updates
• More Models or Datasets Support

1. 重构dataset, preprocess部分代码和逻辑 (注意：未对ListPreprocessor进行修改)

from swift.llm import get_dataset

dataset = get_dataset('iic/ms_bench')[0]
"""
# 优化前
Map: 100%|███████████████████████████████████████████████| 317623/317623 [00:31<00:00, 10085.15 examples/s]
Filter: 100%|████████████████████████████████████████████| 317623/317623 [00:10<00:00, 30777.00 examples/s]
Map: 100%|████████████████████████████████████████████████| 316734/316734 [00:46<00:00, 6880.82 examples/s]

# 优化后
Map: 100%|█████████████████████████████████████████████████| 317623/317623 [00:31<00:00, 9993.46 examples/s]
Filter: 100%|█████████████████████████████████████████████| 317623/317623 [00:10<00:00, 31072.59 examples/s]
"""