Kompaktowy, starannie dobrany zbiór DPO (Direct Preference Optimization) złożony z 7 tys. par wybrana/odrzucona, wyselekcjonowanych z wielu wysokiej jakości źródeł. Idealny do lokalnych eksperymentów z DPO — na tyle mały, że fine-tuning na konsumenckim GPU trwa niecałą godzinę, a mimo to daje sensownie zestrojone modele.
UltraFeedback — The default DPO preference set to run after any SFT pass
Nectar — Reward-model training with 7-way ranked responses
Anthropic HH-RLHF — Safety-focused preference training (helpfulness and harmlessness)
HelpSteer2 — Training reward models with fine-grained quality ratings
Najczęstsze pytania
Czy mogę użyć DPO Mix 7K komercyjnie?
Tak — DPO Mix 7K 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 DPO Mix 7K i czy potrzebuję wszystkich?
DPO Mix 7K zawiera 7k Pairs. 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 DPO Mix 7K nadaje się najlepiej?
A small, balanced DPO starter set. Należy do sekcji „Preferencje (RLHF / DPO)" naszego centrum zbiorów danych, gdzie znajdziesz alternatywy i zbiory komplementarne.