Azure99/blossom-orca-v1

Blossom Orca V1是一个基于OpenOrca衍生而来的中英双语指令数据集，适用于指令微调。本数据集从OpenOrca中抽取了系统提示和指令，首先将其翻译为中文并校验翻译结果，再使用指令调用gpt-3.5-turbo-0613模型生成响应，并过滤掉包含自我认知以及拒绝回答的响应，以便后续对齐。此外，为了确保响应风格的一致性以及中英数据配比，本数据集还对未翻译的原始指令也进行了相同的调用，最终得到了1:1的中英双语指令数据。相比直接对原始OpenOrca进行翻译的中文数据集，Blossom Orca的一致性及质量更高。本次发布了全量数据的30%，包含中英双语各100K，共计200K记录。数据集包含两个文件：blossom-orca-v1-chinese-100k.json和blossom-orca-v1-english-100k.json，分别对应中文和英文的数据。每条数据代表一个完整的对话，包含id和conversations两个字段。id代表原始OpenOrca的指令id，conversations是对象数组，每个对象包含role、content两个字段，role的取值为system、user或assistant，分别代表系统提示、用户输入和助手输出，content则为对应的内容。本数据集的所有响应均由gpt-3.5-turbo-0613生成，并未经过严格的数据校验，可能包含不准确甚至严重错误的回答。此外，由于过滤了拒答响应，仅使用本数据集训练的模型，可能不会拒绝非法的请求。

原始信息汇总

BLOSSOM ORCA V1 数据集概述

介绍

Blossom Orca V1 是一个基于 OpenOrca 衍生而来的中英双语指令数据集，适用于指令微调。本数据集从 OpenOrca 中抽取了系统提示和指令，首先将其翻译为中文并校验翻译结果，再使用指令调用 gpt-3.5-turbo-0613 模型生成响应，并过滤掉包含自我认知以及拒绝回答的响应，以便后续对齐。此外，为了确保响应风格的一致性以及中英数据配比，本数据集还对未翻译的原始指令也进行了相同的调用，最终得到了1:1的中英双语指令数据。

语言

数据集主要包含中文和英文。

数据集结构

数据集包含两个文件：blossom-orca-v1-chinese-100k.json 和 blossom-orca-v1-english-100k.json，分别对应中文和英文的数据。每条数据代表一个完整的对话，包含 id 和 conversations 两个字段。

• id：字符串，代表原始 OpenOrca 的指令 id。
• conversations：对象数组，每个对象包含 role、content 两个字段，role 的取值为 system、user 或 assistant，分别代表系统提示、用户输入和助手输出，content 则为对应的内容。

数据集限制

本数据集的所有响应均由 gpt-3.5-turbo-0613 生成，并未经过严格的数据校验，可能包含不准确甚至严重错误的回答。此外，由于过滤了拒答响应，仅使用本数据集训练的模型，可能不会拒绝非法的请求。