indonlp/cendol_collection_v1

Cendol是一个针对印尼语言的开源生成式大语言模型集合，涵盖了从300M到13B参数的不同规模的模型，基于mT5和LLaMA-2两种基础架构。该数据集主要用于单轮对话任务，包括任务特定的指令（Cendol-Instruct）和通用知识指令（Cendol-Chat）。模型在印尼语言的自然语言理解和生成任务上表现出色，尤其是在低资源语言环境下。数据集还包含了详细的模型训练数据、参数规模、调优策略以及性能评估结果。

原始信息汇总

数据集概述

数据集基本信息

• 名称: NusaT2T v2 - Task-Specific Prompts
• 许可证: Apache 2.0

数据集特征

• 特征名称：
  • dataset_name
  • subset_name
  • prompt_id
  • template_name
  • dataset_key
  • input
  • output
• 数据类型: 所有特征均为字符串类型

数据集大小

• 下载大小: 5381530099字节
• 数据集大小: 14433714646字节
• 训练集大小: 30179364个示例，占用14433714646字节

数据集配置

• 配置名称: default
• 数据文件:
  • 分割: train
  • 路径: data/train-*

数据集用途

• 研究用途: 特别针对印尼语言的研究
• 模型类型: Cendol-Instruct用于任务特定指令，Cendol-Chat用于通用知识指令

模型相关信息

• 模型开发者: IndoNLP
• 模型架构: 基于mT5和LLaMA-2，参数范围从300M到13B
• 训练时间: 2023年10月至2024年1月

许可证

• 使用许可: Apache 2.0

引用信息

• 若使用Cendol模型、代码或数据，请引用相关研究论文。