HachiML/Hachi-Alpaca

Hachi-Alpaca是一个通过Stanford Alpaca的方法和mistralai/Mixtral-8x22B-Instruct-v0.1模型生成的日语合成数据集，主要用于文本生成任务。数据集包含多个版本，其中带有_cleaned标签的版本经过了额外的清理和精查。数据集的特征包括指令、输入、输出、平均相似度评分、相似指令列表等。数据集的大小类别为10K到100K之间，许可证为Apache 2.0。

原始信息汇总

数据集概述

基本信息

• 语言: 日语
• 许可证: Apache 2.0
• 大小: 10K<n<100K
• 任务类型: 文本生成

数据集特征

• No.: 整数类型
• instruction: 字符串类型
• input: 字符串类型
• output: 字符串类型
• avg_similarity_score: 浮点数类型
• similar_instructions: 列表类型，包含字符串类型的instruction和浮点数类型的similarity
• index: 整数类型
• clean: 字符串类型

数据集分割

• v1.0_cleaned: 28861个样本，42859272字节
• _archive_v1.0: 30704个样本，45296989字节
• _archive_v0.9_cleaned: 28352个样本，41730478字节
• _archive_v0.9: 28910个样本，42547594字节
• _archive_v0.8_cleaned: 24606个样本，36047375字节
• _archive_v0.8: 25046个样本，36696593字节
• _archive_v0.7_cleaned: 21592个样本，31553581字节
• _archive_v0.7: 22055个样本，32222791字节
• _archive_v0.6_cleaned: 18333个样本，26625999字节
• _archive_v0.6: 18966个样本，27522385字节
• _archive_v0.5_cleaned: 12725个样本，18365548字节
• _archive_v0.5: 16512个样本，23717980字节
• _archive_v0.4_cleaned: 12725个样本，18365548字节
• _archive_v0.4: 15010个样本，21537306字节
• _archive_v0.3_cleaned: 8664个样本，12381103字节
• _archive_v0.3: 10123个样本，14362473字节
• _archive_v0.2_cleaned: 3488个样本，4857174字节
• _archive_v0.1: 1002个样本，1360481字节
• _archive_v0.2: 4003个样本，5532897字节

数据集大小

• 下载大小: 158159567字节
• 数据集大小: 483583567字节

数据集配置

• 默认配置: 包含多个分割的数据文件路径配置

标签

• 类型: 合成数据、自我指导

以上信息概述了Hachi-Alpaca数据集的基本特征、结构和使用细节。