distilabel-internal-testing/fine-preferences-magpie-generated-system-prompt-v1

该数据集是通过distilabel工具生成的，包含一个pipeline.yaml文件，可以用于复现生成该数据集的流程。数据集的结构包括多个字段，如text、id、dump、url、file_path、language、language_score、token_count、score、int_score、generated_system_prompt、distilabel_metadata、gen_conv_model_name、system_prompt、conversation、generations和generations_model_names等。数据集主要用于生成多轮对话，特别是关于天体物理学中的伽马射线暴（GRB）对螺旋星系中星际介质（ISM）的影响的对话。

This dataset was created using the distilabel tool and includes a pipeline.yaml file that can be used to reproduce the pipeline that generated it. The dataset structure includes multiple fields such as text, id, dump, url, file_path, language, language_score, token_count, score, int_score, generated_system_prompt, distilabel_metadata, gen_conv_model_name, system_prompt, conversation, generations, and generations_model_names. The dataset is primarily used to generate multi-turn conversations, particularly about the effects of Gamma Ray Bursts (GRBs) on the interstellar medium (ISM) in spiral galaxies.

原始信息汇总

数据集概述

数据集结构

特征

• text: 文本内容，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: 令牌计数，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。
• generated_system_prompt: 生成的系统提示，类型为字符串。
• distilabel_metadata: 元数据结构，包含以下字段：
  • raw_output_chat_generation_2: 原始输出聊天生成内容，类型为字符串。
• gen_conv_model_name: 生成对话模型名称，类型为字符串。
• system_prompt: 系统提示，类型为字符串。
• conversation: 对话列表，包含以下字段：
  • content: 对话内容，类型为字符串。
  • role: 角色，类型为字符串。
• generations: 生成内容序列，类型为字符串序列。
• 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，总大小为1714804字节。

数据集大小

• 下载大小: 907734字节
• 数据集大小: 1714804字节

配置

• config_name: default
  • data_files:
    • split: train
    • path: data/train-*

标签

• synthetic: 合成数据
• distilabel: 数据集标签
• rlaif: 强化学习与人工智能