Aya Dataset
204 tys. par prompt–odpowiedź napisanych i opracowanych przez ~3000 rodzimych użytkowników języków ze 119 krajów w ramach otwartego projektu naukowego Aya — największy w pełni anotowany przez ludzi wielojęzyczny zbiór instrukcji. Obejmuje 65 języków (71 wliczając dialekty i systemy pisma): 28 wysokozasobowych, 12 średniozasobowych i 31 niskozasobowych. Zawiera dane demograficzne anotatorów na potrzeby badań nad uprzedzeniami.
from datasets import load_dataset
ds = load_dataset("CohereLabs/aya_dataset")Podgląd przykładowego wiersza
{
"inputs": "Jakie są trzy największe miasta w Polsce?",
"targets": "Trzy największe miasta w Polsce to Warszawa, Kraków i Łódź.",
"language": "Polish",
"language_code": "pol",
"annotation_type": "original-annotations"
}Fine-tuning z tym zbiorem danych
Szacowany VRAM do fine-tuningu z QLoRA (model bazowy 4-bit + adaptery LoRA), przy zachowawczych ustawieniach:
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.