Nectar
Zbiór 183 tys. promptów z UC Berkeley, z 7 różnymi odpowiedziami na prompt uszeregowanymi przez GPT-4, obejmujący ShareGPT, Alpaca, Open Assistant, LMSYS-Chat i inne źródła. Umożliwia trenowanie wysokiej jakości modeli nagrody na różnorodnym, realistycznym pokryciu instrukcji.
from datasets import load_dataset
ds = load_dataset("berkeley-nest/Nectar")Podgląd przykładowego wiersza
{
"prompt": "Describe the key differences between supervised and unsupervised learning.",
"answers": [
{"rank": 1, "answer": "Supervised learning uses labeled data where the model learns...", "source": "gpt-4"},
{"rank": 2, "answer": "In supervised learning, you provide examples with labels...", "source": "claude-1"}
]
}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 Nectar komercyjnie?
Tak — Nectar 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 Nectar i czy potrzebuję wszystkich?
Nectar zawiera 183K Prompts. 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 Nectar nadaje się najlepiej?
Reward-model training with 7-way ranked responses. Należy do sekcji „Preferencje (RLHF / DPO)" naszego centrum zbiorów danych, gdzie znajdziesz alternatywy i zbiory komplementarne.