distilabel-internal-testing/fine-preferences-magpie-v6-tasky-7-4

该数据集是通过distilabel工具生成的，包含对话数据。数据集的每个示例包含多个字段，如文本内容、ID、语言、语言评分、对话内容等。示例展示了一个关于识别和描述螺旋星系中巨大壳体的对话，涉及伽马射线暴（GRBs）的影响。数据集的主要用途可能是用于训练或评估对话生成模型。

This dataset was generated using the distilabel tool and contains conversational data. Each example in the dataset includes multiple fields such as text content, ID, language, language score, conversation content, etc. The example provided demonstrates a conversation about identifying and characterizing giant shells in spiral galaxies, focusing on those potentially created by Gamma Ray Bursts (GRBs). The primary use of this dataset is likely for training or evaluating conversational generation models.

原始信息汇总

数据集概述

数据集结构

特征

• text: 文本数据，类型为字符串。
• id: 唯一标识符，类型为字符串。
• dump: 数据转储信息，类型为字符串。
• url: 数据来源的URL，类型为字符串。
• file_path: 文件路径，类型为字符串。
• language: 语言标识，类型为字符串。
• language_score: 语言得分，类型为浮点数。
• token_count: 标记数量，类型为整数。
• score: 得分，类型为浮点数。
• int_score: 整数得分，类型为整数。
• system_prompt: 系统提示，类型为字符串。
• conversation: 对话列表，包含以下子特征：
  • content: 对话内容，类型为字符串。
  • role: 对话角色，类型为字符串。
• gen_conv_model_name: 生成对话的模型名称，类型为字符串。
• generations: 生成序列，类型为字符串序列。
• distilabel_metadata: 元数据结构，包含以下子特征：
  • raw_output_chat_generation_2: 原始输出聊天生成内容，类型为字符串。
• generations_model_names: 生成模型名称序列，类型为字符串序列。

数据分割

• train: 训练集，包含100个样本，总字节数为3043540。

数据集大小

• 下载大小: 1176528字节
• 数据集大小: 3043540字节

配置

• default: 默认配置，包含训练集数据文件路径为data/train-*。

标签

• synthetic: 合成数据
• distilabel: Distilabel相关
• rlaif: RLAIF相关