HelpSteer2
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.
from datasets import load_dataset
ds = load_dataset("nvidia/HelpSteer2")Podgląd przykładowego wiersza
{
"prompt": "How do I improve my sleep quality?",
"response": "To improve sleep quality: 1) Maintain a consistent sleep schedule 2) Create a dark, cool environment 3) Avoid screens 1hr before bed...",
"helpfulness": 4,
"correctness": 5,
"coherence": 5,
"complexity": 2,
"verbosity": 3
}Fine-tuning z tym zbiorem danych
Szacowany VRAM do fine-tuningu z QLoRA (model bazowy 4-bit + adaptery LoRA), przy zachowawczych ustawieniach:
Pierwszy fine-tuning? Przejdź przewodnik krok po kroku: Zrób fine-tuning pierwszego LLM w godzinę
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.