Датасет · TNSA
Синтетический корпус для рассуждений и инструкций (1B–10B)
TNSA/PT-HF500B
Крупный англоязычный синтетический датасет FinePhrase для обучения LLM логике и следованию инструкциям.
Что внутри
Датасет содержит от 1 до 10 миллиардов примеров на английском языке в текстовом и табличном форматах. Он представляет собой образовательные веб-данные, переработанные в структурированный синтетический формат с инструкциями; использовался для предобучения моделей линейки NGen-3 и NGen-4.
Что можно сделать
- Предобучение (pre-training) больших языковых моделей
- Улучшение навыков логического рассуждения (reasoning) у LLM
- Обучение моделей точному следованию сложным инструкциям
- Задачи
- Генерация текста
- Языки
- Английский
- Размер
- 1B–10B записей
- Скачиваний за месяц
- 25,7 тыс.
- Лайков
- 1
Как загрузить
from datasets import load_dataset
ds = load_dataset("TNSA/PT-HF500B")