有没有相关的论文或文献参考？
这个数据集是基于什么背景创建的？
数据集的作者是谁？
能帮我联系到这个数据集的作者吗？
这个数据集如何下载？
bigscience/xP3
收藏hugging_face2023-05-30 更新2024-03-04 收录
下载链接：
https://hf-mirror.com/datasets/bigscience/xP3
下载链接
链接失效反馈资源简介：
xP3（跨语言公共提示池）是一个包含46种语言和16个NLP任务的提示和数据集集合。它用于训练BLOOMZ和mT0等多语言模型，这些模型能够在零样本情况下在数十种语言中执行人类指令。数据集可以通过提供的指令重新创建，以节省处理时间并提高可重复性。数据集支持的语言包括ak、ar、as、bm、bn、ca、code、en、es、eu、fon、fr、gu、hi、id、ig、ki、kn、lg、ln、ml、mr、ne、nso、ny、or、pa、pt、rn、rw、sn、st、sw、ta、te、tn、ts、tum、tw、ur、vi、wo、xh、yo、zh、zu。数据集的结构包括输入和目标字段，数据实例展示了如何将输入转换为目标输出。数据集的创建过程包括从多个来源收集训练数据，并提供了详细的来源列表。数据集发布在Apache 2.0许可证下，并提供了引用信息。
提供机构：
bigscience
原始信息汇总
数据集概述
数据集名称
- 名称: xP3 (Crosslingual Public Pool of Prompts)
数据集描述
- 概述: xP3是一个包含46种语言和16个NLP任务的提示和数据集集合，用于训练多语言语言模型，如BLOOMZ和mT0，这些模型能够在多种语言中进行零样本学习。
- 语言: 支持46种语言，可扩展。
- 编程语言: 支持C, C++, C#, Go, Java, JavaScript, Lua, PHP, Python, Ruby, Rust, Scala, TypeScript。
- 许可证: Apache-2.0
- 多语言性: 多语言
- 大小: 100M<n<1B
- 任务类别: 其他
数据集结构
- 数据实例: 包含
inputs和targets两个字段。 - 数据字段:
inputs为模型输入的自然语言，targets为模型需要生成的自然语言目标。 - 数据分割: 提供不同语言的数据大小和样本数量的详细统计。
数据集创建
- 来源数据: 包含多个训练和评估数据集，涉及多种NLP任务。
- 注释: 注释由专家生成和众包方式产生。
附加信息
- 许可证信息: 数据集根据Apache 2.0许可证发布。
- 引用信息: 提供BibTeX格式的引用信息。
数据集家族
- xP3x: 包含17个任务，277种语言，英语提示。
- xP3: 包含13个训练任务，46种语言，英语提示。
- xP3mt: 包含13个训练任务，46种语言，20种语言的机器翻译提示。
- xP3all: 包含xP3加上额外的3个评估任务，共16个任务，46种语言，英语提示。
- xP3megds: Megatron-DeepSpeed处理版本的xP3。
- P3: 重新处理的英语版本，包含8个训练任务。
数据主题
5,000+
优质数据集
54 个
任务类型
进入经典数据集
热门数据集
lmarena-ai/arena-hard-auto-v0.1
--- license: apache-2.0 dataset_info: features: - name: question_id dtype: string - name: category dtype: string - name: cluster dtype: string - name: turns list: - name: content dtype: string splits: - name: train num_bytes: 251691 num_examples: 500 download_size: 154022 dataset_size: 251691 configs: - config_name: default data_files: - split: train path: data/train-* --- ## Arena-Hard-Auto **Arena-Hard-Auto-v0.1** ([See Paper](https://arxiv.org/abs/2406.11939)) is an automatic evaluation tool for instruction-tuned LLMs. It contains 500 challenging user queries sourced from Chatbot Arena. We prompt GPT-4-Turbo as judge to compare the models' responses against a baseline model (default: GPT-4-0314). Notably, Arena-Hard-Auto has the highest *correlation* and *separability* to Chatbot Arena among popular open-ended LLM benchmarks ([See Paper](https://arxiv.org/abs/2406.11939)). If you are curious to see how well your model might perform on Chatbot Arena, we recommend trying Arena-Hard-Auto. Please checkout our GitHub repo on how to evaluate models using Arena-Hard-Auto and more information about the benchmark. If you find this dataset useful, feel free to cite us! ``` @article{li2024crowdsourced, title={From Crowdsourced Data to High-Quality Benchmarks: Arena-Hard and BenchBuilder Pipeline}, author={Li, Tianle and Chiang, Wei-Lin and Frick, Evan and Dunlap, Lisa and Wu, Tianhao and Zhu, Banghua and Gonzalez, Joseph E and Stoica, Ion}, journal={arXiv preprint arXiv:2406.11939}, year={2024} } ```
hugging_face 收录
China Air Quality Historical Data
该数据集包含了中国多个城市的空气质量历史数据，涵盖了PM2.5、PM10、SO2、NO2、CO、O3等污染物浓度以及空气质量指数（AQI）等信息。数据按小时记录，提供了详细的空气质量监测数据。
www.cnemc.cn 收录
WideIRSTD Dataset
WideIRSTD数据集包含七个公开数据集：SIRST-V2、IRSTD-1K、IRDST、NUDT-SIRST、NUDT-SIRST-Sea、NUDT-MIRSDT、Anti-UAV，以及由国防科技大学团队开发的数据集，包括模拟陆基和太空基数据，以及真实手动标注的太空基数据。数据集包含具有各种目标形状（如点目标、斑点目标、扩展目标）、波长（如近红外、短波红外和热红外）、图像分辨率（如256、512、1024、3200等）的图像，以及不同的成像系统（如陆基、空基和太空基成像系统）。
github 收录
中国1km分辨率逐月降水量数据集（1901-2024）
该数据集为中国逐月降水量数据，空间分辨率为0.0083333°（约1km），时间为1901.1-2024.12。数据格式为NETCDF，即.nc格式。该数据集是根据CRU发布的全球0.5°气候数据集以及WorldClim发布的全球高分辨率气候数据集，通过Delta空间降尺度方案在中国降尺度生成的。并且，使用496个独立气象观测点数据进行验证，验证结果可信。本数据集包含的地理空间范围是全国主要陆地（包含港澳台地区），不含南海岛礁等区域。为了便于存储，数据均为int16型存于nc文件中，降水单位为0.1mm。 nc数据可使用ArcMAP软件打开制图; 并可用Matlab软件进行提取处理，Matlab发布了读入与存储nc文件的函数，读取函数为ncread，切换到nc文件存储文件夹，语句表达为：ncread (‘XXX.nc’,‘var’, [i j t],[leni lenj lent])，其中XXX.nc为文件名，为字符串需要’’；var是从XXX.nc中读取的变量名，为字符串需要’’；i、j、t分别为读取数据的起始行、列、时间，leni、lenj、lent i分别为在行、列、时间维度上读取的长度。这样，研究区内任何地区、任何时间段均可用此函数读取。Matlab的help里面有很多关于nc数据的命令，可查看。数据坐标系统建议使用WGS84。
国家青藏高原科学数据中心 收录
SHHS Sleep Heart Health Study Dataset
SHHS（Sleep Heart Health Study）数据集是一个大型多中心研究项目，旨在研究睡眠障碍与心血管疾病之间的关系。数据集包括了参与者的睡眠记录、心血管健康指标、生活习惯、遗传信息等多方面的数据。
sleepdata.org 收录