leo009/alpaca-cleaned-zh-cn

该HF数据仓库包含用于单语与多语指令调优研究的中文Alpaca数据集。数据集是从英文Alpaca数据集机器翻译成中文的，主要用于中文指令调优，包含约52K个实例，每个实例包含指令、输出和可选的输入。已知问题包括机器翻译过程可能损坏了包含代码、跨语言任务、语法错误纠正任务等的数据。

原始信息汇总

数据集描述

本数据集为中文Alpaca数据集，用于单语与多语指令调优的研究。

创建

• 由yahma/alpaca-cleaned机器翻译成中文。

使用

• 该数据集旨在用于中文指令调优。
• 数据集包含约52K个实例，格式为JSON。
• 每个实例包含一个指令、一个输出和一个可选的输入。示例如下： json { "instruction": "三种主要颜色是什么?", "input": "", "output": "三种主要颜色是红色, 蓝色和黄色。 这些颜色被称为主要颜色, 因为它们不能通过混合其他颜色来创建, 所有其他颜色都可以通过以各种比例组合来创建。 在添加色系中, 用于光线的主要颜色是红色, 绿色和蓝色 (R GB) 。" }

已知问题

• 机器翻译过程可能损坏包含代码、跨语言任务、语法错误纠正任务等的数据。

引用

@inproceedings{chen-etal-2024-monolingual, title="Monolingual or multilingual instruction tuning: Which makes a better {Alpaca}", author="Pinzhen Chen and Shaoxiong Ji and Nikolay Bogoychev and Andrey Kutuzov and Barry Haddow and Kenneth Heafield", year="2024", booktitle = "Findings of the Association for Computational Linguistics: EACL 2024", }

搜集汇总

背景与挑战

背景概述

该数据集是一个用于中文指令调优的机器翻译数据集，包含约52K个实例，每个实例包含指令、输出和可选的输入字段，适用于自然语言处理任务如文本生成和问答。