Aya Dataset — LLM Wielojęzyczne Dataset
204k prompt-completion pairs written and curated by ~3,000 native-speaking contributors from 119 countries via the open-science Aya project — the largest fully human-annotated multilingual instruction dataset. Covers 65 languages (71 including dialects and scripts): 28 high-resource, 12 mid-resource, and 31 low-resource. Includes annotator demographics for bias research.
Dataset Details
| Provider | Cohere Labs |
| Category | Wielojęzyczne |
| Size | 204k Rows |
| License | Apache 2.0 |
| Downloads | n/a |
| Tags | Multilingual, Human-Annotated, 65 Languages, Open-Science, 2024 |
from datasets import load_dataset
ds = load_dataset("CohereLabs/aya_dataset")
Fine-tuning z tym zbiorem danych
Szacowany VRAM do fine-tuningu z QLoRA (model bazowy 4-bit + adaptery LoRA), przy zachowawczych ustawieniach:
| 7B QLoRA | ~6GB VRAM |
| 13B QLoRA | ~10GB VRAM |
Sprawdź, czy Twoje GPU to udźwignie →
Powiązane zbiory danych
- FineWeb 2 — Pretraining or continued pretraining in languages other than English
- No Robots — Your first fine-tune — small, clean, 100% human-written SFT data (non-commercial license)
Najczęstsze pytania
Czy mogę użyć Aya Dataset komercyjnie?
Tak — Aya Dataset jest udostępniony na licencji Apache 2.0, liberalnej licencji pozwalającej na użycie komercyjne, w tym trenowanie modeli wdrażanych w produkcie. Przed publikacją sprawdź wymogi atrybucji na karcie zbioru.
Ile danych zawiera Aya Dataset i czy potrzebuję wszystkich?
Aya Dataset zawiera 204k Rows. Rzadko potrzebujesz całości: do fine-tuningu stylu i formatu wystarcza kilkaset–kilka tysięcy przykładów — załaduj wycinek (np. split="train[:1000]") i zwiększaj skalę tylko, gdy jakość przestaje rosnąć.
Do czego Aya Dataset nadaje się najlepiej?
Instruction-tuning in non-English languages with real human-written data. Należy do sekcji „Wielojęzyczne" naszego centrum zbiorów danych, gdzie znajdziesz alternatywy i zbiory komplementarne.
← Wszystkie zbiory danych | Fine-Tuning Guide