No Robots
10 000 instrukcji i przykładowych odpowiedzi napisanych w całości przez wykwalifikowanych ludzkich anotatorów — zero danych syntetycznych. Wzorowany na danych SFT opisanych w pracy OpenAI o InstructGPT, podzielony na 9,5 tys. przykładów treningowych i 500 testowych w kategoriach takich jak generowanie, otwarte pytania, burza mózgów i programowanie. Mały, czysty i różnorodny: powszechnie uznawany za najlepszy pierwszy zbiór do nauki fine-tuningu.
from datasets import load_dataset
ds = load_dataset("HuggingFaceH4/no_robots")Podgląd przykładowego wiersza
{
"prompt": "Please summarize the goals for scientists in this text: Within three days...",
"prompt_id": "6e58f...",
"messages": [
{ "role": "user", "content": "Please summarize the goals for scientists in this text: ..." },
{ "role": "assistant", "content": "Scientists are studying nearby ocean waters to determine..." }
],
"category": "Summarize"
}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 No Robots komercyjnie?
Nie w produkcie — No Robots jest udostępniony na licencji CC BY-NC 4.0, która ogranicza użycie do badań i innych celów niekomercyjnych. Do komercyjnego fine-tuningu wybierz zbiór na liberalnej licencji z tej samej kategorii.
Ile danych zawiera No Robots i czy potrzebuję wszystkich?
No Robots zawiera 10k 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 No Robots nadaje się najlepiej?
Your first fine-tune — small, clean, 100% human-written SFT data (non-commercial license). Należy do sekcji „Instrukcje / SFT" naszego centrum zbiorów danych, gdzie znajdziesz alternatywy i zbiory komplementarne.