UltraFeedback
Wielkoskalowy, drobnoziarnisty zbiór preferencji. Zawiera 64 tys. promptów wraz z wieloma odpowiedziami modeli ocenionymi przez GPT-4. Niezbędny przy RLHF i DPO.
from datasets import load_dataset
ds = load_dataset("openbmb/UltraFeedback")Podgląd przykładowego wiersza
{
"instruction": "How do I make a cake?",
"completions": [
{ "response": "Mix flour, sugar...", "score": 8.5 },
{ "response": "Buy one from the store.", "score": 2.0 }
],
"correct_ranking": [0, 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 UltraFeedback komercyjnie?
Tak — UltraFeedback 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 UltraFeedback i czy potrzebuję wszystkich?
UltraFeedback zawiera 64k 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 UltraFeedback nadaje się najlepiej?
The default DPO preference set to run after any SFT pass. Należy do sekcji „Preferencje (RLHF / DPO)" naszego centrum zbiorów danych, gdzie znajdziesz alternatywy i zbiory komplementarne.