Zbiór 4,2 mln próbek odtwarzający pracę Microsoft Research nad modelem Orca przez wzbogacenie kolekcji FLAN o wyjaśnienia od GPT-4 i GPT-3.5. Pozwala małym modelom dorównać znacznie większym dzięki fine-tuningowi opartemu na wyjaśnieniach.
Dataset Details
Provider
Open-Orca
Category
Instrukcje / SFT
Size
4.2M Samples
License
MIT
Downloads
1.8M
Tags
FLAN, Explanation, GPT-4, Augmented, Large-Scale
from datasets import load_dataset
ds = load_dataset("Open-Orca/OpenOrca")
Fine-tuning z tym zbiorem danych
Szacowany VRAM do fine-tuningu z QLoRA (model bazowy 4-bit + adaptery LoRA), przy zachowawczych ustawieniach:
Tak — OpenOrca jest udostępniony na licencji MIT, liberalnej licencji pozwalającej na użycie komercyjne, w tym trenowanie modeli wdrażanych w produkcie. Przed publikacją sprawdź wymogi atrybucji na karcie zbioru.
Ile danych zawiera OpenOrca i czy potrzebuję wszystkich?
OpenOrca zawiera 4.2M 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 OpenOrca nadaje się najlepiej?
Explanation-style SFT at scale (the Orca recipe). Należy do sekcji „Instrukcje / SFT" naszego centrum zbiorów danych, gdzie znajdziesz alternatywy i zbiory komplementarne.