IlyaGusev/ru_turbo_alpaca

---
dataset_info:
features:
- name: instruction
dtype: string
- name: input
dtype: string
- name: output
dtype: string
- name: alternative_output
dtype: string
- name: label
dtype: string
- name: all_labels
sequence: string
- name: agreement
dtype: float32
- name: overlap
dtype: uint32
splits:
- name: train
num_bytes: 54774775
num_examples: 29822
download_size: 14565995
dataset_size: 54774775
license: cc-by-4.0
task_categories:
- text-generation
- text2text-generation
language:
- ru
tags:
- instruction-finetuning
- instruction generation
- alpaca
size_categories:
- 10K<n<100K
---
# RuTurboAlpaca

Dataset of ChatGPT-generated instructions in Russian.

<img src="https://cdn.midjourney.com/770a35fa-00c0-4214-bb88-727dbc7cfaf3/0_0.png" >

* Code: [rulm/self_instruct](https://github.com/IlyaGusev/rulm/tree/master/self_instruct)
* Code is based on [Stanford Alpaca](https://github.com/tatsu-lab/stanford_alpaca) and [self-instruct](https://github.com/yizhongw/self-instruct/).
* 29822 examples

Preliminary evaluation by an expert based on 400 samples:
* 83% of samples contain correct instructions
* 63% of samples have correct instructions and outputs

Crowdsouring-based evaluation on 3500 samples:
* 90% of samples contain correct instructions
* 68% of samples have correct instructions and outputs

Prompt template:
```
Составь набор из {{num_tasks}} разных заданий для дообучения языковой модели:

1. Делай задания максимально непохожими друг на друга: по типу, по запрашиваемым действиям, по формулировке, по наличию входа.
2. Задания должны быть выполнимы языковой моделью, которая не умеет работать с картинками, видео, и аудио, и не имеет доступа ко внешнему миру.
3. Используй хороший грамотный русский язык.
4. Делай задания в одно или два предложения.
5. Генерируй подходящие реалистичные входные данные, не используй общие шаблоны типа \"Имя человека\" или [имя] вместо реального имени.
6. Задание может быть без входных данных, в таком случае используй токен <noinput> вместо них.
7. На выходе сгенерируй подходящий длинный ответ.
8. Следуй тому же шаблону, который приведен в примерах, разделяй задания с помощью ###. Это важно!

Примеры заданий:
{% for task in example_tasks %}
{{task.index}}. Задание: {{task.instruction}}
{{task.index}}. Вход: {{task.input}}
{{task.index}}. Выход: {{task.output}}

{{ "###" if not loop.last else "" }}
{% endfor %}
```

## Legal disclaimer

Data is based on OpenAI’s gpt-3.5-turbo, whose [terms of use](https://openai.com/policies/terms-of-use) prohibit for us developing models that compete with OpenAI. Not for you.

原始信息汇总

数据集概述

数据集名称

RuTurboAlpaca

数据集描述

Dataset of ChatGPT-generated instructions in Russian.

数据集特征

• instruction: string
• input: string
• output: string
• alternative_output: string
• label: string
• all_labels: sequence of string
• agreement: float32
• overlap: uint32

数据集分割

• train: 29822 examples, 54774775 bytes

数据集大小

• Download size: 14565995 bytes
• Dataset size: 54774775 bytes

许可证

cc-by-4.0

任务类别

• text-generation
• text2text-generation

语言

• ru

标签

• instruction-finetuning
• instruction generation
• alpaca

大小类别

• 10K<n<100K