yukeef57/cyber-feng-sft

---
language:
- zh
pretty_name: Cyber Feng SFT Dataset
tags:
- text
- conversational
- chinese
- sft
- instruction-tuning
task_categories:
- text-generation
size_categories:
- 1K<n<10K
---

# Cyber Feng SFT Dataset

这是 `Cyber Feng` 项目的清洗后 SFT 数据集，主要用于训练“峰哥式”中文问答 / 单口风格 LoRA。

## 项目链接

- GitHub 仓库：`https://github.com/f57y/CYBER_FENG`
- 配套 LoRA 权重：`https://huggingface.co/yukeef57/cyber-feng-lora`
- 推荐底座模型：`Qwen/Qwen2.5-7B-Instruct`

## 数据概览

- 总样本数：1321
- Train：1113
- Validation：96
- Test：112
- 类型：`qa` + `monologue`
- 语言：中文

按当前切分统计：

- Train 唯一来源数：40
- Validation 唯一来源数：5
- Test 唯一来源数：5

## 数据结构

每条样本为一行 JSON，字段结构如下：

```json
{
"id": "sample-id",
"source": "source-name",
"type": "qa",
"messages": [
{"role": "system", "content": "系统提示词"},
{"role": "user", "content": "用户问题"},
{"role": "assistant", "content": "峰哥风格回答"}
]
}
```

说明：

- `type` 目前主要是 `qa` 或 `monologue`
- `messages` 采用聊天式结构，最后一条固定为 `assistant`
- 训练脚本默认只学习 assistant 回复部分

## 文件说明

- `train.jsonl`：训练集
- `val.jsonl`：验证集
- `test.jsonl`：测试集
- `stats.json`：切分与统计摘要

## 数据来源与处理方式

数据来自公开直播切片 / 转录内容的人工筛选与清洗，再统一转成聊天式 SFT 数据。

项目脚本会执行以下步骤：

1. 整理问答类与单口类模板样本
2. 转成统一的 `messages` 结构
3. 按 `source` 切分 `train / val / test`
4. 输出统计信息到 `stats.json`

## 如何下载

```bash
mkdir -p data/training/sft
hf download yukeef57/cyber-feng-sft --repo-type dataset --local-dir data/training/sft
```

## 如何用于训练

```bash
python3 scripts/train_qlora.py \
--model-name-or-path Qwen/Qwen2.5-7B-Instruct \
--train-data-path data/training/sft/train.jsonl \
--eval-data-path data/training/sft/val.jsonl \
--output-dir data/training/runs/qwen25-7b-fengge-lora
```

## 使用边界与注意事项

- 这不是通用中文对话数据集，而是强风格化角色数据。
- 数据中可能包含攻击性、羞辱式表达、强判断和夸张语气。
- 如果你要做公开产品或商业化场景，建议重新审查数据来源、表达风格、人格风险与分发边界。
- 使用前请自行确认原始素材、底座模型和二次发布行为是否符合你的目标场景要求。

---
语言：
- 中文
展示名称：Cyber Feng 监督微调（Supervised Fine-Tuning，SFT）数据集
标签：
- 文本
- 对话式
- 中文
- SFT
- 指令微调（Instruction Tuning）
任务类别：
- 文本生成
样本规模：
- 1000 < 样本数 < 10000
---

# Cyber Feng 监督微调数据集

本数据集为`Cyber Feng`项目经清洗后的监督微调数据集，主要用于训练具备「峰哥式」风格的中文问答/单口类低秩自适应（Low-Rank Adaptation，LoRA）模型。

## 项目链接
- GitHub 仓库：`https://github.com/f57y/CYBER_FENG`
- 配套 LoRA 权重文件：`https://huggingface.co/yukeef57/cyber-feng-lora`
- 推荐基座模型：`Qwen/Qwen2.5-7B-Instruct`

## 数据概览

- 总样本量：1321
- 训练集（Train）：1113
- 验证集（Validation）：96
- 测试集（Test）：112
- 数据类型：问答（Question Answering，QA） + 独白（Monologue）
- 语言：中文

按当前数据集划分统计：
- 训练集唯一来源数：40
- 验证集唯一来源数：5
- 测试集唯一来源数：5

## 数据结构

每条样本为一行JSON格式数据，其字段结构如下：

json
{
"id": "sample-id",
"source": "source-name",
"type": "qa",
"messages": [
{"role": "system", "content": "系统提示词"},
{"role": "user", "content": "用户问题"},
{"role": "assistant", "content": "峰哥风格回答"}
]
}

说明：
- `type` 字段当前主要取值为 `qa` 或 `monologue`
- `messages` 采用对话式结构，且最后一条消息的角色固定为 `assistant`（助手）
- 训练脚本默认仅学习助手回复部分的参数

## 文件说明

- `train.jsonl`：训练集文件
- `val.jsonl`：验证集文件
- `test.jsonl`：测试集文件
- `stats.json`：数据集划分与统计摘要文件

## 数据来源与处理方式

本数据集的数据来源于公开直播切片/转录内容，经人工筛选与清洗后，统一转换为对话式监督微调数据集。

项目脚本将执行以下处理步骤：
1. 整理问答类与单口类模板样本
2. 转换为统一的 `messages` 结构
3. 按 `source` 字段进行训练集、验证集、测试集的划分
4. 将统计信息输出至 `stats.json` 文件

## 下载方式

bash
mkdir -p data/training/sft
hf download yukeef57/cyber-feng-sft --repo-type dataset --local-dir data/training/sft

## 训练使用方法

bash
python3 scripts/train_qlora.py
--model-name-or-path Qwen/Qwen2.5-7B-Instruct
--train-data-path data/training/sft/train.jsonl
--eval-data-path data/training/sft/val.jsonl
--output-dir data/training/runs/qwen25-7b-fengge-lora

## 使用边界与注意事项
- 本数据集并非通用中文对话数据集，而是强风格化的角色专用数据。
- 数据中可能包含攻击性、羞辱性表达、强判断性语句及夸张语气。
- 若用于公开产品或商业化场景，建议重新审查数据来源、表达风格、人格风险与分发边界。
- 使用前请自行确认原始素材、基座模型及二次发布行为是否符合目标场景的合规要求。