vwxyzjn/ultrachat_200k_filtered_1707919193

--- dataset_info: features: - name: prompt dtype: string - name: prompt_id dtype: string - name: messages list: - name: content dtype: string - name: role dtype: string - name: query_reference_response list: - name: content dtype: string - name: role dtype: string - name: query_reference_response_token sequence: int64 - name: query_reference_response_token_len dtype: int64 - name: query list: - name: content dtype: string - name: role dtype: string - name: query_token sequence: int64 - name: query_token_len dtype: int64 - name: reference_response struct: - name: content dtype: string - name: role dtype: string - name: reference_response_token sequence: int64 - name: reference_response_token_len dtype: int64 splits: - name: test_gen num_bytes: 30484069 num_examples: 1000 - name: test_sft num_bytes: 39592502 num_examples: 1000 - name: train_gen num_bytes: 29613744 num_examples: 1000 - name: train_sft num_bytes: 39521233 num_examples: 1000 download_size: 50859072 dataset_size: 139211548 --- # Args ```python {'base_model': 'mistralai/Mistral-7B-v0.1', 'check_length_correctness': True, 'debug': True, 'hf_entity': 'vwxyzjn', 'params': TaskQueryHParams(length=3000, format_str='SUBREDDIT: r/{subreddit}\n' '\n' 'TITLE: {title}\n' '\n' 'POST: {post}\n' '\n' 'TL;DR:', truncate_field='post', truncate_text='\n', padding='pad_token', pad_token=[32000], pad_side='left', max_sft_response_length=1500, max_sft_query_response_length=4500, max_rm_response_length=169, max_rm_query_response_length=638), 'push_to_hub': True} ```数据集信息： 特征字段： - 名称：提示词（prompt），数据类型：字符串（string） - 名称：提示词ID（prompt_id），数据类型：字符串（string） - 名称：消息（messages），列表类型，元素包含： - 名称：内容（content），数据类型：字符串（string） - 名称：角色（role），数据类型：字符串（string） - 名称：查询参考响应（query_reference_response），列表类型，元素包含： - 名称：内容（content），数据类型：字符串（string） - 名称：角色（role），数据类型：字符串（string） - 名称：查询参考响应Token序列（query_reference_response_token），类型：int64序列 - 名称：查询参考响应Token长度（query_reference_response_token_len），数据类型：int64 - 名称：查询（query），列表类型，元素包含： - 名称：内容（content），数据类型：字符串（string） - 名称：角色（role），数据类型：字符串（string） - 名称：查询Token序列（query_token），类型：int64序列 - 名称：查询Token长度（query_token_len），数据类型：int64 - 名称：参考响应（reference_response），结构体类型，包含字段： - 名称：内容（content），数据类型：字符串（string） - 名称：角色（role），数据类型：字符串（string） - 名称：参考响应Token序列（reference_response_token），类型：int64序列 - 名称：参考响应Token长度（reference_response_token_len），数据类型：int64 数据集划分： - 划分名称：test_gen，字节数：30484069，样本数量：1000 - 划分名称：test_sft，字节数：39592502，样本数量：1000 - 划分名称：train_gen，字节数：29613744，样本数量：1000 - 划分名称：train_sft，字节数：39521233，样本数量：1000 下载大小：50859072 数据集总大小：139211548 # 参数配置 python {'基础模型（base_model）': 'mistralai/Mistral-7B-v0.1', '检查长度正确性（check_length_correctness）': True, '调试模式（debug）': True, 'Hugging Face实体（hf_entity）': 'vwxyzjn', '参数配置（TaskQueryHParams）': {'长度（length）': 3000, '格式化字符串（format_str）': 'SUBREDDIT: r/{subreddit} ' ' ' 'TITLE: {title} ' ' ' 'POST: {post} ' ' ' 'TL;DR:', '截断字段（truncate_field）': 'post', '截断文本（truncate_text）': ' ', '填充方式（padding）': 'pad_token', '填充Token（pad_token）': [32000], '填充侧（pad_side）': 'left', '监督微调（SFT）最大响应长度（max_sft_response_length）': 1500, '监督微调（SFT）最大查询-响应总长度（max_sft_query_response_length）': 4500, '奖励模型（RM）最大响应长度（max_rm_response_length）': 169, '奖励模型（RM）最大查询-响应总长度（max_rm_query_response_length）': 638}, '推送到Hugging Face Hub（push_to_hub）': True}

原始信息汇总

数据集信息

特征

• prompt: 类型为字符串。
• prompt_id: 类型为字符串。
• messages: 列表类型，包含以下字段：
  • content: 类型为字符串。
  • role: 类型为字符串。
• query_reference_response: 列表类型，包含以下字段：
  • content: 类型为字符串。
  • role: 类型为字符串。
• query_reference_response_token: 序列类型，元素为int64。
• query_reference_response_token_len: 类型为int64。
• query: 列表类型，包含以下字段：
  • content: 类型为字符串。
  • role: 类型为字符串。
• query_token: 序列类型，元素为int64。
• query_token_len: 类型为int64。
• reference_response: 结构类型，包含以下字段：
  • content: 类型为字符串。
  • role: 类型为字符串。
• reference_response_token: 序列类型，元素为int64。
• reference_response_token_len: 类型为int64。

数据分割

• test_gen: 字节数为30484069，样本数为1000。
• test_sft: 字节数为39592502，样本数为1000。
• train_gen: 字节数为29613744，样本数为1000。
• train_sft: 字节数为39521233，样本数为1000。

数据集大小

• 下载大小: 50859072字节。
• 数据集大小: 139211548字节。