BramVanroy/dutch_chat_datasets

该数据集是多个荷兰语聊天数据集的合并，包括BramVanroy/dolly-15k-dutch、BramVanroy/alpaca-cleaned-dutch-baize、BramVanroy/stackoverflow-chat-dutch和BramVanroy/quora-chat-dutch。这些数据集被重新格式化，以便于下游任务（如语言建模）的处理。数据集包含训练和测试两个分割，每个分割包含对话数据，对话数据由角色（用户或助手）和内容组成。

原始信息汇总

数据集概述

基本信息

• 语言: 荷兰语 (nl)
• 数据规模: 100K<n<1M
• 任务类别:
  • 问答 (question-answering)
  • 文本生成 (text-generation)
  • 对话 (conversational)
• 数据集名称: Chat Datasets for Dutch

数据结构

• 特征:
  • prompt: 字符串 (string)
  • prompt_id: 字符串 (string)
  • messages: 列表 (list)
    • content: 字符串 (string)
    • role: 字符串 (string)

数据分割

• 训练集 (train_sft):
  • 字节数: 198305113
  • 样本数: 160248
• 测试集 (test_sft):
  • 字节数: 22076114
  • 样本数: 17806

数据集大小

• 下载大小: 124497015 字节
• 数据集大小: 220381227 字节

配置

• 默认配置 (default):
  • 数据文件:
    • 训练集 (train_sft): data/train_sft-*
    • 测试集 (test_sft): data/test_sft-*