botp/Azure99_blossom-orca-v3

Blossom Orca V3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。相比于blossom-wizard-v2，本版本完全使用GPT-4进行蒸馏。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-4-0125-preview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50%，包含中英双语各20K，共计40K记录。

原始信息汇总

数据集概述：Blossom Orca V3

数据集详情

数据集介绍

• Blossom Orca V3 是一个基于OpenOrca衍生而来的中英双语指令数据集，专为指令微调设计。
• 本版本完全使用GPT-4进行蒸馏，从OpenOrca中抽取系统提示和指令，翻译为中文并校验，使用gpt-4-0125-preview模型生成响应，并过滤掉包含自我认知及拒绝回答的响应。
• 数据集确保了响应风格的一致性及中英数据配比，最终得到1:1的中英双语指令数据。

数据集语言

• 数据集主要使用中文和英文。

数据集结构

• 每条数据包含一个完整的对话，具有以下字段：
  • id：从1递增的唯一标识。
  • conversations：对象数组，每个对象包含：
    • role：取值为user或assistant，分别代表用户输入和助手输出。
    • content：对应的内容。

数据集限制

• 所有响应均由gpt-4-0125-preview生成，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。
• 由于过滤了拒答响应，使用本数据集训练的模型可能不会拒绝非法的请求。

数据集规模

• 本次发布的数据量为全量数据的50%，包含中英双语各20K，共计40K记录。

许可证

• 本数据集遵循Apache-2.0许可证。

数据集应用领域

• 适用于文本生成和文本到文本生成任务。

数据集大小

• 数据集大小介于100K至1M之间。