UltraFeedback — LLM Preferencje (RLHF / DPO) Dataset
Large-scale, fine-grained preference dataset. It contains 64k prompts with multiple model responses rated by GPT-4. Essential for RLHF and DPO.
Dataset Details
| Provider | OpenBMB |
| Category | Preferencje (RLHF / DPO) |
| Size | 64k Rows |
| License | MIT |
| Downloads | 1.2M |
| Tags | RLHF, DPO, Alignment |
from datasets import load_dataset
ds = load_dataset("openbmb/UltraFeedback")
Fine-tuning z tym zbiorem danych
Szacowany VRAM do fine-tuningu z QLoRA (model bazowy 4-bit + adaptery LoRA), przy zachowawczych ustawieniach:
| 7B QLoRA | ~6GB VRAM |
| 13B QLoRA | ~10GB VRAM |
Sprawdź, czy Twoje GPU to udźwignie →
Pierwszy fine-tuning? Przejdź przewodnik krok po kroku: Zrób fine-tuning pierwszego LLM w godzinę
Powiązane zbiory danych
- OpenHermes 2.5 — The default general-purpose SFT mix for 7B-13B fine-tunes
- HelpSteer2 — Training reward models with fine-grained quality ratings
- Anthropic HH-RLHF — Safety-focused preference training (helpfulness and harmlessness)
- DPO Mix 7K — A small, balanced DPO starter set
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.
← Wszystkie zbiory danych | Fine-Tuning Guide