arcee-ai/multiturn-capybara-preferences-filtered-binarized

该数据集基于`argilla/Capybara-Preferences`，并应用了进一步的过滤处理。过滤方法由`@LDJnr`提出，包括移除助手的响应，特别是在中间回合中助手的潜在拒绝或包含ChatGPT-isms的响应，以及移除包含URL的响应。数据集包含训练集，大小为153000467字节，包含14811个示例。数据集的下载大小为80284516字节，语言为英语，标签包括dpo、orpo、multiturn、distilabel和synthetic。

原始信息汇总

数据集概述

数据集信息

• 特征:
  • prompt: 数据类型为字符串。
  • chosen: 包含两个子特征：
    • content: 数据类型为字符串。
    • role: 数据类型为字符串。
  • rejected: 包含两个子特征：
    • content: 数据类型为字符串。
    • role: 数据类型为字符串。
• 分割:
  • train: 包含14811个样本，总字节数为153000467。
• 下载大小: 80284516字节。
• 数据集大小: 153000467字节。
• 配置:
  • default: 数据文件路径为data/train-*。
• 许可证: Apache-2.0。
• 语言: 英语。
• 标签:
  • dpo
  • orpo
  • multiturn
  • distilabel
  • synthetic
• 大小类别: 10K<n<100K。

数据集构建

• 该数据集基于argilla/Capybara-Preferences构建，并进行了进一步的详细过滤。
• 过滤方法由@LDJnr提出，具体包括：
  1. 移除助手在最后一轮及中间轮次中的潜在拒绝响应或包含“as an AI language model”等ChatGPT特征的响应。
  2. 移除助手在最后一轮及中间轮次中的URL响应，这些通常是幻觉。