К содержимому

Датасет · TIGER-Lab

Огромный корпус веб-инструкций для обучения LLM

TIGER-Lab/WebInstructFull

Десятки миллионов англоязычных пар вопрос-ответ из веба, собранных для проекта MAmmoTH2.

Что внутри

Полная версия датасета от TIGER-Lab, использованная для обучения моделей MAmmoTH2. Содержит от 10 до 100 миллионов текстовых примеров в формате инструкций и ответов на английском языке, собранных из интернета. Распространяется под лицензией CC BY-NC 4.0, поэтому подходит только для некоммерческих исследований.

Что можно сделать

  • Масштабный SFT-файнтюнинг языковых моделей для улучшения навыков рассуждения и ответов на вопросы
  • Обучение открытых исследовательских моделей по пайплайну MAmmoTH2
Задачи
Вопрос-ответ
Языки
Английский
Размер
10M–100M записей
Скачиваний за месяц
1,4 тыс.
Лайков
36

Как загрузить

from datasets import load_dataset

ds = load_dataset("TIGER-Lab/WebInstructFull")