m-a-p/COIG-Kun

COIG-Kun数据集是用于训练语言模型的指令数据集，主要包含中文指令。数据集由三个子集组成：wudao、wanjuan和skypile，分别包含139,852、328,294和71,560个数据实例。每个数据实例以JSON格式存储，包含`instruction`和`output`两个字段。该数据集旨在提供高质量的指令数据，以增强语言模型的训练效果，特别是在指令理解和响应生成方面。The COIG-Kun dataset is an instructional dataset for training language models, primarily containing Chinese instructions. The dataset is divided into three subsets: wudao, wanjuan, and skypile, with each data instance stored in JSON format, including `instruction` and `output` fields. The design of this dataset aims to provide high-quality training data to enhance the quality and applicability of language models. The creation of the dataset follows Metas Self-Alignment with Instruction Backtranslation method, with optimizations made to improve data processing efficiency.

原始信息汇总

数据集概述

数据集描述

语言

• 该数据集主要包含中文指令。

数据结构

• 数据实例: 每个数据实例以JSON格式存储，包含两个字段：instruction 和 output。
  • 示例: {"instruction": "如何评价祁又一自编自导的电影《鸽子小姐》？", "output": "《鸽子小姐》是一部由祁又一自编自导的电影。..."}
• 数据分割: 数据集包含三个子集：
  • wudao.jsonl: 139,852 实例
  • wanjuan.jsonl: 328,294 实例
  • skypile.jsonl: 71,560 实例

数据特点

• 该数据集旨在提供高质量的指令数据，用于语言模型训练，专注于提高数据的质量和适用性。

使用方法

使用数据

• 该数据集可用于训练和微调语言模型，特别是专注于指令理解和响应生成。
• 用户应参考项目文档，了解在训练过程中使用数据集的详细说明。

引用

如果您在研究中使用此数据集，请按以下方式引用：

bibtex @misc{COIG-Kun, title={Kun: Answer Polishment Saves Your Time for Using Intruction Backtranslation on Self-Alignment}, author={Tianyu, Zheng* and Shuyue, Guo* and Xingwei, Qu and Xinrun, Du and Wenhu, Chen and Jie, Fu and Wenhao, Huang and Ge, Zhang}, year={2023}, publisher={GitHub}, journal={GitHub repository}, howpublished={https://github.com/Zheng0428/COIG-Kun} }

搜集汇总

背景与挑战

背景概述

COIG-Kun是一个高质量的中文指令数据集，专为语言模型训练设计，包含约36.7万条结构化数据，采用自对齐和指令回译技术优化数据质量。