Orion-SFT 大模型监督微调混合语料

自然语言
0 下载
8 浏览
2026-09-26

数据集简介

数据集卡片与发布信息

Orion-SFT-dataset 发布在 HuggingFace 的 smilyai-large-team 账号下,数据集页面提供 Dataset card、Files and versions 与 Community 三个入口。数据集采用公开可访问方式,发布日期为 2026-09-26。页面未提供可读的说明文档,数据集预览因列名不匹配而未能展示,因此使用前建议先查看 Files and versions 中的配置文件与分片清单。

混合采样的数据来源

数据配置通过 sources 字段描述每个来源的适配器、类别、配置、数据集标识、目标样本数与目标占比,并指定文本字段。基础语料与指令语料分别包括:

类别 来源名称
基础语料 base_code_python、base_finemath_4plus、base_fineweb_edu、base_openwebmath
指令语料 instruct_code、instruct_long_context、instruct_math、instruct_smoltalk、instruct_ultrachat

每个来源均带有 target_examples 与 target_fraction 两个采样参数,混合比例由这两个字段共同决定。配置中还记录 objective、split 与 text_field,用于说明该来源在采样中的角色与读取字段。

文件组织与配置字段

数据集以 parquet 分片承载训练样本,并以 json 保存结构化配置。配置字段包括 format_version、num_workers、phase、shard_examples、source_targets、target_examples、tokenizer_name、total_examples_written 与 updated_utc。workers 数组记录每个 worker 的 examples_written、next_sequence、shard_files 与 sources,用于反映分片写入进度。此外,rows_consumed、rows_rejected 与 exhausted 三个字段用于统计已消费行数、被拒绝行数以及来源是否耗尽,便于复现采样过程。

使用与获取方式

数据集页面公开可访问,用户可通过 Files and versions 浏览并下载 parquet 分片与 json 配置文件。由于页面未提供说明文档且预览失败,建议先读取配置文件中的 sources 与 target_fraction,确认各来源的实际混合比例,再按需加载对应分片。数据集未在页面中说明许可条款,使用前请自行确认授权范围。

基本信息

记录数量未知
文件大小未知
文件格式parquet, json
数据来源smilyai-large-team
访问方式公开可访问
发布日期2026-09-26
数据落地页https://huggingface.co/datasets/smilyai-large-team/Orion-SFT-dataset
监督微调指令语料混合采样大语言模型训练数据

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

价格

免费