HelpSteer2 — LLM Preferencje (RLHF / DPO) Dataset

Otwarty zbiór preferencji NVIDIA liczący 21 tys. przykładów, zaprojektowany do trenowania modeli nagrody i RLHF. Każda odpowiedź jest oceniana przez ludzi w 5 wymiarach: pomocność, poprawność, spójność, złożoność i rozwlekłość. Znacząco poprawia dokładność modeli nagrody w porównaniu z HH-RLHF.

Dataset Details

Providernvidia
CategoryPreferencje (RLHF / DPO)
Size21K Samples
LicenseCC BY 4.0
Downloads290k
TagsRLHF, Reward Model, Multi-aspect, NVIDIA, Human-rated
 
from datasets import load_dataset
ds = load_dataset("nvidia/HelpSteer2")

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 →

Pierwszy fine-tuning? Przejdź przewodnik krok po kroku: Zrób fine-tuning pierwszego LLM w godzinę

Powiązane zbiory danych

Najczęstsze pytania

Czy mogę użyć HelpSteer2 komercyjnie?
Tak — HelpSteer2 jest udostępniony na licencji CC BY 4.0, liberalnej licencji pozwalającej na użycie komercyjne, w tym trenowanie modeli wdrażanych w produkcie. Przed publikacją sprawdź wymogi atrybucji na karcie zbioru.
Ile danych zawiera HelpSteer2 i czy potrzebuję wszystkich?
HelpSteer2 zawiera 21K Samples. 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 HelpSteer2 nadaje się najlepiej?
Training reward models with fine-grained quality ratings. Należy do sekcji „Preferencje (RLHF / DPO)" naszego centrum zbiorów danych, gdzie znajdziesz alternatywy i zbiory komplementarne.

← Wszystkie zbiory danych | Fine-Tuning Guide