К содержимому

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")