bertin-project/bonanza-hf

该数据集提供了一个丰富的西班牙语和加泰罗尼亚语指令集合。它结合了多个来源的数据，包括OpenAssistant/oasst2、CohereForAI/aya_dataset、projecte-aina/RAG_Multilingual、bertin-project/alpaca-spanish、dariolopez/Llama-2-databricks-dolly-oasst1-es、projecte-aina/MentorES和projecte-aina/MentorCA，以提供一个独特且多样化的资源用于语言模型的训练。训练集中，西班牙语有143051个示例，加泰罗尼亚语有71272个示例。

This dataset provides a rich collection of instructions in both Spanish and Catalan. It combines content from multiple sources including OpenAssistant/oasst2, CohereForAI/aya_dataset, projecte-aina/RAG_Multilingual, bertin-project/alpaca-spanish, dariolopez/Llama-2-databricks-dolly-oasst1-es, projecte-aina/MentorES, and projecte-aina/MentorCA to offer a unique and diverse resource for training language models. In the training set, there are 143051 examples in Spanish and 71272 examples in Catalan.

原始信息汇总

Bonanza: Dataset de instrucciones en Español y Catalán

概述

该数据集结合了多个来源，提供西班牙语和加泰罗尼亚语的指令数据。

数据集来源

1. OpenAssistant/oasst2
2. CohereForAI/aya_dataset
3. projecte-aina/RAG_Multilingual
4. bertin-project/alpaca-spanish
5. dariolopez/Llama-2-databricks-dolly-oasst1-es
6. projecte-aina/MentorES
7. projecte-aina/MentorCA

数据集信息

特征

• instruction:
  • content: 字符串类型
  • role: 字符串类型
• lang: 字符串类型
• source: 字符串类型

数据分割

• train:
  • 字节数: 210696263.6355906
  • 样本数: 214331
• validation:
  • 字节数: 25874383.068369888
  • 样本数: 24892
• test:
  • 字节数: 18126173.447911937
  • 样本数: 17623

数据集大小

• 下载大小: 78132189
• 数据集总大小: 254696820.15187246

语言分布

• Español: 143051 样本在 train 中
• Catalán: 71272 样本在 train 中