BELLE 中文指令数据集 200 万条
自然语言
0 下载
16 浏览
2026-09-22
数据集简介
数据来源与项目背景
本数据集来自 BELLE 项目(BELLE: Be Everyone's Large Language model Engine),由 BELLE 项目组(BELLE Group)与 LianjiaTech(贝壳)构建并发布。BELLE 项目的目标是为中文社区提供可用的开源大语言模型引擎,而本数据集正是其中的中文指令微调数据组成部分,用于支撑大语言模型的指令跟随训练。
数据内容与规模
数据集包含约 200 万条由 BELLE 项目生成的中文指令数据,规模类别为 1M<n<10M。每条样本由三部分组成:
- instruction:指令,描述模型需要完成的任务;
- input:输入,在本数据集中均为空;
- output:输出,即模型应当给出的回答。
由于 input 字段统一为空,模型训练时可直接以 instruction 作为输入、output 作为监督目标,适合指令微调场景。
数据样例与字段说明
数据以 json 格式存储,字段定义如下:
| 字段 | 含义 |
|---|---|
| instruction | 指令 |
| input | 输入(本数据集均为空) |
| output | 输出 |
一条典型样本的字段结构为:instruction 给出任务描述,input 留空,output 给出对应回答。
使用限制与获取方式
本数据集采用 gpl-3.0 许可证。仅允许将此数据集及使用此数据集生成的衍生物用于研究目的,不得用于商业用途,以及其它会对社会带来危害的用途。
下载方式:可通过 OpenDataLab 落地页或 HuggingFace 数据集仓库获取,支持使用 hf CLI 或 curl 等方式下载。
基本信息
记录数量约200万条中文指令数据;规模类别 1M<n<10M
文件大小未知
文件格式未知
数据来源BELLE 项目组(BELLE Group)
数据规模约200万条
字段结构instruction、input、output
许可证GPL-3.0
数据模态文本
任务类型text2text-generation
数据落地页https://opendatalab.com/OpenDataLab/BelleGroup-train_2M_CN
发布日期2026-09-22
中文指令数据大语言模型指令微调BELLE自然语言处理
上架信息
数据集市运营
平台统一选品上架,经质量审核后公开
0 次下载