projecte-aina/MentorES

Mentor_ES是一个包含10,175条西班牙语指令的开源数据集，这些指令按照InstructGPT论文中概述的多个行为类别进行组织，包括封闭问答、开放问答、一般问答、分类、信息提取、摘要、创意写作和头脑风暴。数据集的结构为JSON格式，每个记录对应一个指令跟随实例，包含类别、指令、上下文（如果可用）和响应。数据集由西班牙语母语者生成，上下文字段的文本来自网络，而响应字段则被重写。数据集可用于微调大型语言模型以执行下游任务。

原始信息汇总

数据集概述

数据集名称

• Mentor_ES

数据集大小

• 1K<n<10K

语言

• 西班牙语 (es-ES)

许可

• CC BY 4.0

任务类别

• 问答
• 摘要
• 文本生成

数据集结构

数据实例

• 格式: JSON
• 结构: 每个记录包含类别、指令、上下文（如有）和响应。

数据字段

• category: 指令类型
• instruction: 提示
• context: 上下文信息
• answer: 响应

数据分割

• 未提供标准分割，仅根据生成数据集的类别进行分类。

数据集创建

来源数据

• 人类生成数据: 注释者创建了八种不同指令类别的提示/响应对。
• 网络: 对于需要参考文本的指令类别，贡献者从任何网站选择段落。

初始数据收集和规范化

• 注释者根据简短的任务描述和格式规范创建数据。

注释者

• 语言: 数据由西班牙语母语注释者生成。
• 过程: 分为两组，一组收集参考文本并提问，另一组提供响应。

数据集用途

• 用于微调大型语言模型以执行下游任务。

数据集创建者

• 机构: 巴塞罗那超级计算中心（BSC）的语言技术部门。
• 资助: 加泰罗尼亚政府数字政策和领土部门，项目AINA框架内。