Датасет · opencsg
Китайский синтетический датасет для дообучения LLM
opencsg/smoltalk-chinese
Более 700 тысяч синтетических примеров на китайском языке по мотивам SmolTalk для SFT.
Что внутри
Датасет от сообщества OpenCSG, созданный по аналогии с известным набором данных SmolTalk для улучшения качества китайскоязычных языковых моделей. Состоит полностью из синтетических данных на китайском языке и насчитывает более 700 тысяч записей (в метаданных указан диапазон 10K<n<100K, но в описании — свыше 700 000). Представлен в текстовом и табличном форматах.
Что можно сделать
- SFT языковых моделей для улучшения генерации на китайском языке
- Обучение LoRA-адаптеров для диалоговых и инструктивных задач
- Задачи
- Генерация текста
- Языки
- Китайский
- Размер
- 10K–100K записей
- Скачиваний за месяц
- 2,8 тыс.
- Лайков
- 52
Модели, обученные на нём
Как загрузить
from datasets import load_dataset
ds = load_dataset("opencsg/smoltalk-chinese")