five

huangyt/FINETUNE3

收藏
Hugging Face2023-09-11 更新2024-03-04 收录
下载链接:
https://hf-mirror.com/datasets/huangyt/FINETUNE3
下载链接
链接失效反馈
官方服务:
资源简介:
该数据集由多个子集组成,包括FLAN_CoT(zs)、Prm800k、ScienceQA等,涵盖了推理、数学、科学问答、常识等多个类别。每个子集的问题数量从100到8000不等。数据集的格式定义为instruction、input、output,用于指导模型执行特定任务。采样算法部分详细描述了如何从FLAN_V2 COT数据集中筛选和分层采样,以确保数据集的多样性和高质量。

This dataset comprises multiple subsets, including FLAN_CoT(zs), Prm800k, ScienceQA, and others, covering various categories such as reasoning, mathematics, scientific question answering, and common sense. The number of questions in each subset ranges from 100 to 8000. The dataset is structured with three standard fields: instruction, input, and output, which are designed to guide models in executing specific tasks. The sampling algorithm section elaborates on the process of filtering and stratified sampling from the FLAN_V2 COT dataset to ensure the diversity and high quality of the dataset.
提供机构:
huangyt
原始信息汇总

数据集概述

数据集列表

数据集 类别 问题数量
FLAN_CoT(zs) Reasoning、MATH、ScienceQA、Commonsense 8000
Prm800k Reasoning、MATH 6713
ScienceQA ScienceQA 5177
SciBench ScienceQA 695
ReClor Reasoning 1624
TheoremQA Commonsense、MATH、ScienceQA 800
OpenBookQA Text_Understanding、Reasoning、Commonsense、ScienceQA 5957
ARB Reasoning、MATH、ScienceQA、Commonsense、Text_Understanding 605
Openassistant-guanaco Commonsense、Text_Understanding、Reasoning 802
SAT Text_Understanding、Reasoning、MATH 426
GRE、GMAT Reasoning、MATH 254
AMC、AIME Reasoning、MATH 1000
LSAT Reasoning、LAW 1009

数据集格式定义

数据集采用“instruction、input、output”格式,每个样本包括一个指令、一个输入和一个预期的输出。指令提供了如何处理输入以生成输出的指导。这种格式的数据集通常用于训练模型执行特定任务,因为它们明确指示了模型应执行的操作。

示例格式: json { "input": "", "output": "", "instruction": "" }

数据集配置

  • SAT、GRE、GMAT、AMC、AIME、LSAT

    • 对于GRE、GMAT、SAT等数据集,输入配置为“请仔细阅读问题和选项,然后选择最合适的答案并提供相应的解释。”
    • 对于数学输入,配置为“请根据给定的问题提供答案及相应的解释。”
    • 问题按难度级别升序排列。
    • LSAT数据集不涉及逐步过程,将段落转换为指令,问题和选项组合为输入,标签作为输出。
  • 其他数据集

    • Prm800k、ScienceQA、SciBench、ReClor、TheoremQA、OpenBookQA、ARB和OpenAssistant-Guanaco数据集采用与Platypus相同的格式。

采样算法

  • 从flan_v2 cot数据集中选择zs_opt问题。
  • 过滤掉输出长度超过平均长度的问题,以帮助模型学习更丰富的推理步骤。
  • 进行分层采样,先进行长度过滤,然后进行分层采样,以确保样本大小一致。

采样算法示例代码: python import json import random

with open("cot_ORIGINAL.json", "r") as f: abc = json.load(f)

zsopt_data = [] # "zs_opt" for i in abc: if i["template_type"] == "zs_opt": zsopt_data.append(i)

output_lengths = [len(i["targets"]) for i in zsopt_data] average_length = sum(output_lengths) / len(output_lengths) # average length

filtered_data = [] for a in zsopt_data: if len(a["targets"]) >= average_length: filtered_data.append(a) # output length need to >= average_length

class_counts = {} # Count the number of samples for each class for a in filtered_data: task_name = a["task_name"] if task_name in class_counts: class_counts[task_name] += 1 else: class_counts[task_name] = 1

total_samples = 8000 # we plan to select a total of 8000 samples

sample_ratios = {} for task_name, count in class_counts.items(): sample_ratios[task_name] = count / len(filtered_data)

sample_sizes = {} for task_name, sample_ratio in sample_ratios.items(): sample_sizes[task_name] = round(sample_ratio * total_samples)

stratified_samples = {} # Perform stratified sampling for each class for task_name, sample_size in sample_sizes.items(): class_samples = [] for data in filtered_data: if data["task_name"] == task_name: class_samples.append(data)

selected_samples = random.sample(class_samples, sample_size)
stratified_samples[task_name] = selected_samples

final_samples = [] # Convert to the specified format for task_name, samples in stratified_samples.items(): for sample in samples: final_samples.append( { "input": "", # use "" "output": sample["targets"], # output "instruction": sample["inputs"], # question } )

with open("cot_change.json", "w") as f: json.dump(final_samples, f, indent=2)

LSAT按级别排列的示例代码: python import json

with open("math-json.json", "r", encoding="utf-8") as f: data_list = json.load(f)

sorted_data = sorted(data_list, key=lambda x: x["other"]["level"])

output_data = [ { "input": "Please provide the answer along with a corresponding explanation based on the given question.", "output": f"{item[answer]},solution:{item[other][solution]}", "instruction": item["question"], } for item in sorted_data ]

with open("math_convert.json", "w", encoding="utf-8") as output_file: json.dump(output_data, output_file, ensure_ascii=False, indent=4)

搜集汇总
数据集介绍
main_image_url
构建方式
该数据集由多个高质量子数据集融合而成,涵盖FLAN_CoT、Prm800k、ScienceQA、SciBench、ReClor、TheoremQA、OpenBookQA、ARB、Openassistant-guanaco、SAT、GRE、GMAT、AMC、AIME及LSAT等来源。在构建过程中,首先从FLAN_CoT中提取零样本思维链(zs_opt)任务,并通过输出长度过滤保留推理步骤更丰富的样本,随后采用分层抽样策略确保类别平衡。对于AMC、AIME等具有难度等级的数据,按难度升序排列以渐进式学习;LSAT数据则将段落转化为指令,问题与选项作为输入。所有样本统一转换为“instruction-input-output”的引导式格式,便于模型执行特定任务。
使用方法
使用时,数据集以JSON格式提供,每条记录包含三个字段:instruction(指令)、input(输入,多为空字符串)和output(预期输出)。适用于微调大语言模型,特别是需要增强推理和数学能力的场景。用户可直接加载JSON文件,通过迭代每条样本的instruction和input作为模型输入,以output作为监督信号进行训练。对于不同子集,如SAT和GRE,指令已预设为引导模型选择答案并给出解释;数学类则要求提供答案和解题步骤。建议配合渐进式学习策略,从低难度样本开始训练,逐步过渡到高难度样本,以优化模型性能。
背景与挑战
背景概述
在自然语言处理与推理能力的研究领域中,如何构建高质量、多样化的指令微调数据集以提升大型语言模型的泛化性能,始终是核心议题。huangyt/FINETUNE3数据集诞生于2024年,由研究团队基于“Textbooks are all you need”等前沿工作的思想,旨在通过整合来自多个权威基准的高阶推理问题,探索渐进式微调策略的有效性。该数据集汇聚了FLAN_CoT、Prm800k、ScienceQA、SciBench、ReClor、TheoremQA、OpenBookQA、ARB、Openassistant-guanaco、SAT、GRE、GMAT、AMC、AIME及LSAT等来源,覆盖推理、数学、科学常识、文本理解及法律等多个领域,总计超过3万道问题。其设计遵循“instruction-input-output”结构化格式,并借鉴ORCA论文提出的渐进学习理念,按难度递增排列问题,以避免学生模型习得超出其能力范围的知识。该数据集对研究复杂推理任务的课程学习、数据混合采样及模型对齐策略具有重要推动作用。
当前挑战
该数据集面临的挑战首先体现在领域问题的复杂性上:所涵盖的推理与数学问题要求模型具备多步逻辑推导、符号运算及常识融合能力,而现有模型在处理长链推理与跨领域知识迁移时仍显不足。其次,构建过程中遇到多重难题:数据来源格式各异,需统一为指令微调格式,例如LSAT需将篇章转化为指令、选项与问题合并为输入;采样算法需兼顾多样性与代表性,如FLAN_CoT子集先过滤输出长度低于平均值的样本以保留丰富推理步骤,再进行分层抽样,但此过程易导致类别间样本量不均,需精细调整采样比例;此外,渐进式难度排序需依赖外部元数据(如AMC的难度级别),而部分数据集缺乏显式难度标注,增加了排序的复杂性。
常用场景
经典使用场景
在自然语言处理与多模态推理的前沿探索中,huangyt/FINETUNE3数据集凭借其融合了FLAN_CoT、Prm800k、ScienceQA、ReClor、TheoremQA等十余个高质量子集的独特架构,成为微调大语言模型以提升复杂推理能力的经典基准。该数据集精心设计了'指令-输入-输出'三元组格式,尤其关注零样本思维链(zero-shot Chain-of-Thought)场景,通过从FLAN_V2 COT中提取'zs_opt'子集并实施基于输出长度的筛选与分层抽样,确保模型能够学习到丰富且均衡的推理步骤。研究者常以此数据集训练模型在数学推理、常识问答、科学理解和文本理解等任务上展现出卓越的泛化性能,其经典用法在于验证渐进式学习策略(如从易到难排列AMC、AIME题目)对模型推理深度与准确性的提升效果。
解决学术问题
该数据集直面当前大语言模型研究中的核心困境:如何在有限的高质量标注数据下,系统性地增强模型的逻辑推理与多步推导能力。通过整合来自不同领域(如法律推理的LSAT、科学问答的SciBench、数学竞赛的AMC/AIME)的题目,它解决了单一数据集导致的领域偏见问题,为评估模型的跨域迁移能力提供了统一平台。学术上,它有效回应了'教科书式学习'(Textbooks Are All You Need)假说,证明精心策划的进阶式问题集合能模拟人类学习中的螺旋上升过程,从而缓解模型在复杂推理任务中的'伪幻觉'与'捷径学习'现象。其意义在于推动了大模型训练范式从盲目堆砌数据向结构化、难度递进的课程学习转变,为后续研究如Orca论文中的知识蒸馏策略奠定了数据基础。
实际应用
在实际产业应用中,huangyt/FINETUNE3数据集展现出强大的工程转化价值。教育科技领域可借助其训练出的模型构建智能辅导系统,例如自动解析SAT、GRE等标准化考试题目并生成逐步解题过程,为学习者提供个性化的错因分析与思路引导。金融与法律行业则能利用该数据集微调后的模型处理LSAT逻辑题与合同条款推理,辅助从业者快速识别文本中的隐含条件与矛盾点。此外,科学文献的自动摘要与实验步骤验证场景中,模型基于ScienceQA和SciBench的微调经验,能够将复杂的科学问题分解为可执行的逻辑链,从而提升科研助手在材料筛选、实验设计等环节的可靠性。这些应用均得益于数据集对推理深度与解释性的双重强化。
数据集最近研究
最新研究方向
当前,大语言模型的推理能力提升是自然语言处理领域的核心前沿方向之一。huangyt/FINETUNE3数据集正是在这一背景下应运而生,其构建思路深受“教科书即一切”研究范式的启发,旨在通过整合来自FLAN_CoT、Prm800k、ScienceQA、SciBench、ReClor、TheoremQA等多个高质量推理与理解基准的高难度问题,探索一种渐进式微调策略。该数据集不仅涵盖了数学、科学常识、文本理解及逻辑推理等多个维度的复杂任务,还创新性地引入了基于输出长度筛选与分层采样的数据精炼方法,以保障训练样本的多样性与推理深度。这一工作与当前大模型从指令微调向深度推理能力演进的趋势紧密相连,为提升模型在标准化考试(如SAT、GRE、LSAT)及高阶数学竞赛(如AMC、AIME)中的表现提供了关键数据支撑,具有推动大模型从表层语言模仿迈向深层认知推理的重要学术与应用价值。
以上内容由遇见数据集搜集并总结生成
二维码
社区交流群
二维码
科研交流群
商业服务