DeepCtrl-sft-data 匠数科技大模型sft数据集

用于大模型SFT的包含10M条数据的中文数据集和包含2M条数据的英文数据集。随后，我们按照任务内容将其分为50类，并获得了每一类数据的关键词。

A Chinese dataset containing 10 million data entries and an English dataset containing 2 million data entries, both intended for supervised fine-tuning (SFT) of large language models (LLMs). Subsequently, we categorized them into 50 classes according to their task contents, and extracted the keywords for each category.

搜集汇总

背景与挑战

背景概述

DeepCtrl-sft-data是由匠数科技整理的高质量大模型SFT数据集，包含超过12M条中英文样本，用于指令微调任务。数据集经过严格的格式统一、清洗和内容审核，分为50个任务类别，并提供了类别关键词，支持大模型训练和研究。数据来源于多个开源数据集，采用Apache 2.0许可证，旨在提供安全、统一的训练资源。