К содержимому

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")