distilabel-internal-testing/fine-preferences-magpie-v6-tasky-7-1

该数据集是通过distilabel工具生成的，主要用于复现生成该数据集的pipeline。数据集中包含多个字段，如文本、ID、URL、文件路径、语言、语言评分、对话内容等。数据集的结构包括一个默认配置，其中包含训练集，训练集的大小为2509167字节，包含100个示例。数据集的标签包括synthetic、distilabel和rlaif，表明数据集是合成的，并且与distilabel和rlaif相关。

This dataset contains a `pipeline.yaml` file that can be used to reproduce the pipeline that generated it in distilabel using the `distilabel` CLI. The dataset includes various features such as text, id, dump, url, file_path, language, language_score, token_count, score, int_score, system_prompt, conversation, gen_conv_model_name, generations, distilabel_metadata, and generations_model_names. The dataset is split into a training set with 100 examples and is tagged with synthetic, distilabel, and rlaif.

原始信息汇总

数据集概述

数据集结构

特征

• text: 类型为字符串。
• id: 类型为字符串。
• dump: 类型为字符串。
• url: 类型为字符串。
• file_path: 类型为字符串。
• language: 类型为字符串。
• language_score: 类型为浮点数。
• token_count: 类型为整数。
• score: 类型为浮点数。
• int_score: 类型为整数。
• system_prompt: 类型为字符串。
• conversation: 包含以下子特征：
  • content: 类型为字符串。
  • role: 类型为字符串。
• gen_conv_model_name: 类型为字符串。
• generations: 类型为字符串序列。
• distilabel_metadata: 包含以下子特征：
  • raw_output_chat_generation_2: 类型为字符串。
• generations_model_names: 类型为字符串序列。

数据分割

• train: 包含100个样本，总字节数为2509167。

数据集大小

• 下载大小: 1138619字节。
• 数据集大小: 2509167字节。

配置

• default: 包含训练数据文件，路径为data/train-*。

标签

• synthetic
• distilabel
• rlaif