塔吉克语指令微调数据集

医疗健康
0 下载
2 浏览
2026-10-03

数据集简介

构建背景与用途

塔吉克语属于低资源语言,可用于指令微调的开放语料相对稀缺。本数据集以「为大型语言模型提供高质量塔吉克语指令样本」为目标,面向训练与微调场景,支持塔吉克语聊天、问答模型的指令微调,也可服务于教育、公民科技等应用方向以及中亚语言处理研究。数据按版本管理,每个版本独立存放,便于复现与对比。

快速上手

获取数据最直接的方式是克隆 GitHub 仓库:

git clone https://github.com/SharifzodaIbrohim/tajik-instruction-dataset.git

克隆后进入对应版本目录即可读取 JSON 文件;文件同时提供 json 与 jsonl 两种格式,便于直接载入训练脚本或做流式读取。

数据格式(v1.2.27 及以后)

当前版本 v.1.2.27 的每条样本为 JSON 对象,字段如下:

字段 说明
id 样本唯一标识
instruction 指令文本
input 指令附带的输入内容
output 期望的模型输出
category 所属类别
difficulty 难度标注
quality_score 质量评分(如 5)

早期版本 v.1.2.23–v.1.2.26 使用更简化的 {instruction, input, output} 结构,作为历史版本保留,方便需要旧格式的研究者直接取用。

仓库结构与内容类别

仓库按版本号组织目录,v.1.2.27 下按主题拆分为多个种子文件,包括 seed_law.json、seed_finance.json、seed_science.json、seed_culture.json、seed_culture_2.json、seed_health.json、seed_language.json。内容优先覆盖法律、金融、科学、文化、健康、语言六类,这一类别划分同时体现在每条记录的 category 字段中。

内容政策

数据集以质量为先,通过 quality_score 对样本进行评分,并以 difficulty 标注难度,便于按质量与难度筛选训练子集。数据采用 MIT 许可发布,可免费用于商业与研究用途;使用与再分发时请遵循仓库中的许可条款。

路线图

数据规模持续扩充:旧版本 v.1.2.23–v.1.2.26 合计约 2,925 条,当前总量约 3,000+ 条;路线图设定的目标为短期 5,000 条、中期 15,000–20,000 条、长期 50,000+ 条。

引用与作者

作者为 Sharifzoda Ibrohim(GitHub 用户 SharifzodaIbrohim)。在论文或项目中引用本数据集时,请参考仓库内给出的引用信息,并注明数据集名称 Tajik Instruction Dataset 与版本号。

参与贡献

仓库欢迎社区贡献新的塔吉克语指令样本。贡献时请遵循仓库的内容政策与字段规范,确保样本类别、难度与质量评分填写完整,以维持数据集的一致性。

塔吉克语版说明(Тоҷикӣ)

仓库同时提供塔吉克语版本的说明文字,方便塔吉克语母语者阅读与参与。该部分与英文说明对应,介绍数据集用途、格式与贡献方式。

基本信息

记录数量约 3,000+ 条示例(旧版本 v.1.2.23–v.1.2.26 约 2,925 条);路线图目标短期 5,000、中期 15,000–20,000、长期 50,000+
文件大小未知
文件格式JSON, JSONL
数据来源Sharifzoda Ibrohim
样本总量约 3,000+ 条
字段结构id、instruction、input、output、category、difficulty、quality_score
内容类别法律、金融、科学、文化、健康、语言
许可协议MIT
当前版本v.1.2.27
数据落地页https://github.com/SharifzodaIbrohim/tajik-instruction-dataset
发布日期2026-10-03
塔吉克语指令微调低资源语言大型语言模型自然语言处理

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

价格

免费