yimingzhang/backtrack-0524

--- language: - en dataset_info: features: - name: chosen dtype: string - name: rejected dtype: string - name: chosen-chat list: - name: content dtype: string - name: role dtype: string - name: rejected-chat list: - name: content dtype: string - name: role dtype: string - name: chosen-safety dtype: string - name: rejected-safety dtype: string - name: messages list: - name: content dtype: string - name: role dtype: string - name: instance-type dtype: string splits: - name: train_sft num_bytes: 201905659 num_examples: 82840 - name: test_sft num_bytes: 3417897 num_examples: 1000 download_size: 116125619 dataset_size: 205323556 configs: - config_name: default data_files: - split: train_sft path: data/train_sft-* - split: test_sft path: data/test_sft-* ---语言： - 英语 数据集信息（dataset_info）： 特征（features）： - 选中回复（chosen）：数据类型为字符串（string） - 拒选回复（rejected）：数据类型为字符串（string） - 选中对话（chosen-chat）：列表类型，列表元素包含以下字段： - 内容（content）：数据类型为字符串（string） - 角色（role）：数据类型为字符串（string） - 拒选对话（rejected-chat）：列表类型，列表元素包含以下字段： - 内容（content）：数据类型为字符串（string） - 角色（role）：数据类型为字符串（string） - 选中回复安全性标注（chosen-safety）：数据类型为字符串（string） - 拒选回复安全性标注（rejected-safety）：数据类型为字符串（string） - 对话消息（messages）：列表类型，列表元素包含以下字段： - 内容（content）：数据类型为字符串（string） - 角色（role）：数据类型为字符串（string） - 样本类型（instance-type）：数据类型为字符串（string） 数据集划分（splits）： - 监督微调训练集（train_sft，Supervised Fine-Tuning）：字节数201905659，样本数量82840 - 监督微调测试集（test_sft，Supervised Fine-Tuning）：字节数3417897，样本数量1000 下载总大小：116125619 字节 数据集总存储大小：205323556 字节 配置项（configs）： - 配置名称：default（默认配置），数据文件列表： - 数据集划分：train_sft，数据文件路径：data/train_sft-* - 数据集划分：test_sft，数据文件路径：data/test_sft-*

原始信息汇总

数据集概述

数据集特征

• chosen: 数据类型为字符串。
• rejected: 数据类型为字符串。
• chosen-chat: 包含以下子特征：
  • content: 数据类型为字符串。
  • role: 数据类型为字符串。
• rejected-chat: 包含以下子特征：
  • content: 数据类型为字符串。
  • role: 数据类型为字符串。
• chosen-safety: 数据类型为字符串。
• rejected-safety: 数据类型为字符串。
• messages: 包含以下子特征：
  • content: 数据类型为字符串。
  • role: 数据类型为字符串。
• instance-type: 数据类型为字符串。

数据集划分

• train_sft:
  • 数据量: 201,905,659 字节
  • 示例数量: 82,840
• test_sft:
  • 数据量: 3,417,897 字节
  • 示例数量: 1000

数据集大小

• 下载大小: 116,125,619 字节
• 数据集大小: 205,323,556 字节

数据文件配置

• config_name: default
• data_files:
  • train_sft: 路径格式为 data/train_sft-*
  • test_sft: 路径格式为 data/test_sft-*

搜集汇总

背景与挑战

背景概述

该数据集是一个用于对话AI训练的英语文本数据集，包含约83.8k条用户与助手之间的对话记录，每条记录都标注了安全标签（如safe），并分为训练集（train_sft）和测试集（test_sft）两个子集。其特点是专注于模型的安全性和偏好学习，适用于监督微调任务。