Online Supplement 1

Figshare2020-02-11 更新2026-04-28 收录

词向量优化

语言模型调优

数据链接：

https://figshare.com/articles/dataset/Online_Supplement_1/11836116 数据链接链接失效反馈

官方服务：

资源简介：

Parameter tuning of word2vec model

创建时间：

2020-02-11

pinzhenchen/alpaca-cleaned-bg

语言模型调优

保加利亚语

该HF数据仓库包含了用于单语与多语指令调优研究的保加利亚Alpaca数据集。数据集是通过机器翻译从[yahma/alpaca-cleaned](https://huggingface.co/datasets/yahma/alpaca-cleaned)转换而来，主要用于保加利亚语的指令调优。数据集大约包含52K个实例，每个实例包含指令、输出和可选的输入字段。已知问题是机器翻译过程可能损坏了包含代码、

Hugging Face2024-03-06 更新860

Instruction Tuning with GPT-4

自然语言处理

语言模型调优

GPT-4使用羊驼提示生成英语教学后续数据，以微调LLM。

OpenDataLab2026-07-12 更新210

pinzhenchen/alpaca-cleaned-es

语言模型调优

西班牙语处理

该HF数据仓库包含用于单语与多语指令调优研究的西班牙语Alpaca数据集。数据集包含约52K个实例，每个实例包含指令、输出和可选的输入。数据集是通过机器翻译从yahma/alpaca-cleaned数据集翻译成西班牙语的。

Hugging Face2024-03-06 更新160

TIGER-Lab/WebInstructSub

问答系统

语言模型调优

WebInstruct数据集是MAmmoTH2项目的一部分，主要用于通过指令调优提升大语言模型（LLM）的性能。该数据集主要来源于StackExchange和Socratic等论坛，包含高质量的问答对。数据集构建过程包括从Common Crawl中召回文档、提取问答对并进行质量优化。数据集包含多个字段，如原始问题、原始答案、优化后的问题和答案等。数据集的大小和来源也在README中进行了详细说明。

Hugging Face2024-10-27 更新250

microsoft/orca-agentinstruct-1M-v1

指令生成

语言模型调优

该数据集是一个完全合成的指令对集合，使用AgentInstruct框架生成。它包含约100万条指令对，涵盖文本编辑、创意写作、编码、阅读理解等多种能力。数据集中的指令对是从网络上公开可用的原始文本内容中合成的。该数据集适用于任何基础大语言模型（LLM）的指令调优。AgentInstruct框架还生成了一个包含约2500万条指令对的超集，用于对Mistral-7b模型进行后训练，结果在多个基准测试中

Hugging Face2024-11-01 更新200

Online Supplement 1

资源简介：

相关数据集