OpenOrca-Chinese

<p><h1>🐋 OpenOrca-Chinese 数据集！🐋</h1></p>

感谢 [Open-Orca/OpenOrca](https://huggingface.co/datasets/Open-Orca/OpenOrca) 数据集的发布，给广大NLP研究人员和开发者带来了宝贵的资源！

这是一个对 [Open-Orca/OpenOrca](https://huggingface.co/datasets/Open-Orca/OpenOrca) 数据集中文翻译的版本，翻译引擎为 Google 翻译，希望能给中文 LLM 研究做出一点点贡献。

<br/>

# Dataset Summary

The OpenOrca dataset is a collection of augmented [FLAN Collection data](https://arxiv.org/abs/2301.13688).
Currently ~1M GPT-4 completions, and ~3.2M GPT-3.5 completions.
It is tabularized in alignment with the distributions presented in the ORCA paper and currently represents a partial completion of the full intended dataset, with ongoing generation to expand its scope.
The data is primarily used for training and evaluation in the field of natural language processing.

<a name="dataset-structure"></a>

# Dataset Structure

<a name="data-instances"></a>

## Data Instances

A data instance in this dataset represents entries from the FLAN collection which have been augmented by submitting the listed question to either GPT-4 or GPT-3.5.
The response is then entered into the response field.

<a name="data-fields"></a>

## Data Fields

The fields are:
1) 'id', a unique numbered identifier which includes one of 'niv', 't0', 'cot', or 'flan' to represent which source FLAN Collection submix the 'question' is sourced from.
2) 'system_prompt', representing the System Prompt presented to the GPT-3.5 or GPT-4 API for the datapoint
3) 'question', representing a question entry as provided by the FLAN Collection
4) 'response', a response to that question received from a query to either GPT-3.5 or GPT-4.

<p><h1>🐋 OpenOrca-Chinese 数据集！🐋</h1></p>

感谢 [Open-Orca/OpenOrca](https://huggingface.co/datasets/Open-Orca/OpenOrca) 数据集的发布，为广大自然语言处理（Natural Language Processing，NLP）研究人员与开发者提供了宝贵的研究资源！

本项目为 [Open-Orca/OpenOrca](https://huggingface.co/datasets/Open-Orca/OpenOrca) 数据集的中文翻译版本，翻译引擎采用 Google 翻译，期望能为中文大语言模型（Large Language Model，LLM）研究贡献绵薄之力。

<br/>

# 数据集概览
OpenOrca 数据集是经过增强处理的 [FLAN 合集数据（FLAN Collection data）](https://arxiv.org/abs/2301.13688) 的集合。目前包含约100万条GPT-4生成结果与约320万条GPT-3.5生成结果。该数据集已按照 ORCA 论文中提出的分布形式进行了表格化处理，当前仅完成了完整预期数据集的一部分，后续将持续生成数据以扩展其覆盖范围。本数据集主要用于自然语言处理领域的模型训练与评估工作。

<a name="dataset-structure"></a>

# 数据集结构

<a name="data-instances"></a>
## 数据实例
本数据集的每条数据实例均源自 FLAN 合集条目，通过将其中列出的问题提交至 GPT-4 或 GPT-3.5 进行增强处理后，将得到的回复填入响应字段中。

<a name="data-fields"></a>
## 数据字段
数据字段说明如下：
1. `id`：唯一数字标识符，其标识中包含`niv`、`t0`、`cot`或`flan`其中之一，用于表明该数据对应的`question`源自 FLAN 合集的哪个子混合数据集。
2. `system_prompt`：该数据点提交至 GPT-3.5 或 GPT-4 API 时所使用的系统提示词。
3. `question`：FLAN 合集提供的原始问题条目。
4. `response`：通过调用 GPT-3.5 或 GPT-4 API 获得的对应问题的回复结果。