tulu-3-sft-personas-code

### Dataset Descriptions
This dataset contains **34999** examples and is synthetically created to enhance models' coding capabilities.
To generate diverse *python* coding questions, we expand the methodology in [Ge et al., 2024](https://arxiv.org/pdf/2406.20094) by using personas to ground the code completion question in real-world scenarios. More details and exact prompts used to construct the dataset can be found in our [paper]().
- **Curated by:** Allen Institute for AI
- **Paper:** [TBD]()
- **Repository:** [TBD]()
- **Language(s) (NLP):** English
- **License:** ODC-BY
- **Point of Contact:** [Faeze Brahman](mailto:[e-mail])

### Loading
```python
from datasets import load_dataset

dataset = load_dataset("allenai/tulu-3-personas-math")["train"]
```
### Dataset Structure
Each example in the dataset contains the standard instruction-tuning data points as follow:
- id (str): a unique identifier
- prompt (str): python programming questions grounded in a given persona/scenario
- messages (list): message format used for supervised fine-tuning (this contains user prompt and assistant response)

### 数据集说明
本数据集共包含34999条样本，为提升模型的编码能力而合成构建。
为生成多样化的Python编程问题，我们在[Ge等人，2024](https://arxiv.org/pdf/2406.20094)提出的方法基础上进行拓展，通过引入人物角色设定，将代码补全问题锚定至真实应用场景中。有关本数据集构建的更多细节及所用精确提示词，可参见我们的[论文]()。
- **整理单位：** 艾伦人工智能研究所（Allen Institute for AI）
- **论文：** [待公布]()
- **代码仓库：** [待公布]()
- **自然语言处理语种：** 英语
- **许可证：** ODC-BY
- **联系人：** [Faeze Brahman](mailto:[e-mail])

### 加载方式
python
from datasets import load_dataset

dataset = load_dataset("allenai/tulu-3-personas-math")["train"]

### 数据集结构
本数据集的每条样本均包含标准的指令微调数据字段，具体如下：
- **id（字符串型）：** 唯一标识符
- **提示词（prompt）（字符串型）：** 锚定至特定人物角色/应用场景的Python编程问题
- **消息（messages）（列表型）：** 适用于监督微调的消息格式（包含用户提示词与助手回复）

搜集汇总

背景与挑战

背景概述

该数据集包含34999个合成示例，专注于提升模型的Python编码能力，通过人物角色将编程问题置于真实场景中增加多样性。由Allen Institute for AI策划，使用英语并遵循ODC-BY许可协议。