llm-wizard/dolly-15k-instruction-alpaca-format

`databricks-dolly-15k`数据集包含超过15,000条记录，由Databricks员工生成，旨在使大型语言模型能够展示类似ChatGPT的交互性。数据集分为八个不同的指令类别，包括创意写作、封闭问答、开放问答、总结、信息提取、分类和头脑风暴。数据集的主要用途是用于指令微调大型语言模型，并提供了合成数据生成的机会。数据集的语言为美式英语，已知限制包括Wikipedia的偏见和事实错误，以及注释者的非母语英语背景。数据集使用CC BY-SA 3.0许可证。

原始信息汇总

数据集概述

数据集名称

• 名称: Databricks Dolly 15k (Alpaca format, citations removed)
• 别名: databricks-dolly-15k

数据集特征

• 特征名称: instruction, category, input, output
• 数据类型: 均为字符串类型

数据集大小

• 下载大小: 7801648字节
• 数据集大小: 12271354字节
• 示例数量: 15015
• 分割: 训练集

语言

• 主要语言: 英语

许可

• 许可证: CC BY-3.0

数据集类别

• 大小类别: 10K<n<100K

数据集来源

• 数据生成: 由Databricks员工生成
• 参考文本: 部分数据参考自Wikipedia

数据集用途

• 主要用途: 用于指令微调大型语言模型，以及作为合成数据生成的资源

数据集限制

• 已知限制: 可能包含Wikipedia的偏见、事实错误和主题焦点；部分标注者可能非英语母语者；标注者的背景可能反映Databricks员工的构成

标注指南

• 标注任务: 包括创意写作、封闭式问答、开放式问答、摘要、信息提取、分类、头脑风暴等八种不同指令类别
• 标注指南: 提供了每种任务的简要描述和示例，以鼓励高任务完成率

个人或敏感数据

• 数据内容: 包含公开信息，如部分Wikipedia内容，无个人标识或敏感信息