d0rj/ru-instruct

该数据集是由多个流行的数据集自动翻译并组合而成，经过过滤和去重处理。数据集主要用于文本生成和文本到文本生成任务，包含俄语和代码语言。数据集的特征包括对话内容和角色，以及数据来源。数据集的训练集包含753,650个样本，总大小为1,874,771,723字节。

The dataset is a combination of several popular datasets that have been automatically translated into Russian. It includes datasets like OpenOrca-ru, OpenHermes-2.5-ru, dolphin-ru, alpaca-cleaned-ru, gsm8k-ru, boolq-ru, and conala-mined-ru. The dataset has been filtered for translation artifacts using the Den4ikAI/nonsense_gibberish_detector model and deduplicated using SimHash. It is primarily used for text generation and text-to-text generation tasks. The dataset contains features such as conversations (with roles and content) and source information. It has a training split with 753,650 examples and is tagged as instruct, synthetic, sft, and chat.

原始信息汇总

数据集概述

基本信息

• 名称: Russian Instruct Translated
• 语言: 俄语 (ru), 代码 (code)
• 许可: Apache 2.0
• 多语言性: 单语种 (monolingual)
• 数据规模: 100K < n < 1M

数据来源

• 原始数据集:
  • d0rj/OpenOrca-ru
  • d0rj/OpenHermes-2.5-ru
  • d0rj/dolphin-ru
  • d0rj/alpaca-cleaned-ru
  • d0rj/gsm8k-ru
  • d0rj/boolq-ru
  • d0rj/conala-mined-ru

任务类别

• 文本生成 (text-generation)
• 文本到文本生成 (text2text-generation)

数据集结构

• 特征:
  • conversations:
    • content (string)
    • role (string)
  • source (string)

数据分割

• 训练集:
  • 样本数: 753650
  • 字节数: 1874771723.0

下载信息

• 下载大小: 839357336
• 数据集大小: 1874771723.0

配置

• 默认配置:
  • 数据文件路径: data/train-*

标签

• instruct
• synthetic
• sft
• chat

注意事项

• 存在未解决的翻译问题，主要涉及类似“如何用阿拉伯语说N”的指令。