tulu-v2-sft-long-mixture

This is a recreation of the [tulu-v2-sft-mixture](https://huggingface.co/datasets/allenai/tulu-v2-sft-mixture), **without** splitting ShareGPT dataset into chunks of max 4096 tokens. This might be interesting to people who are doing long-context finetuning.

Please refer to the original tulu-v2-sft-mixture for the details of this dataset mixture.

### License
We are releasing this dataset under the terms of [ODC-BY](https://opendatacommons.org/licenses/by/1-0/). By using this, you are also bound by the [Common Crawl terms of use](https://commoncrawl.org/terms-of-use/) in respect of the content contained in the dataset.

本数据集为[tulu-v2-sft-mixture](https://huggingface.co/datasets/allenai/tulu-v2-sft-mixture)的复刻版本，**未**将ShareGPT数据集切分为最大4096 Token的片段。该数据集对于开展长上下文微调的研究人员颇具参考价值。

请查阅原始tulu-v2-sft-mixture数据集以了解该混合数据集的详细信息。

### 许可证
本数据集依据[ODC-BY](https://opendatacommons.org/licenses/by/1-0/)协议发布。使用本数据集时，您还需遵守[Common Crawl使用条款](https://commoncrawl.org/terms-of-use/)中与数据集所含内容相关的规定。

搜集汇总

背景与挑战

背景概述

该数据集是tulu-v2-sft-mixture的重新创建版本，未对ShareGPT数据集进行令牌分块处理，适用于长上下文微调任务。它采用Apache License 2.0许可证，由allenai发布，更新于2025年5月28日，大小为1.40GB。