WebInstruct — LLM Instrukcje / SFT Dataset
220M instruction-response pairs extracted from the web by identifying educational content using a recall-then-verify pipeline. Covers K-12 through graduate-level content across math, science, and engineering — enabling large-scale instruction fine-tuning without human curation.
Dataset Details
| Provider | TIGER-Lab |
| Category | Instrukcje / SFT |
| Size | 220M Pairs |
| License | CC BY-SA 4.0 |
| Downloads | 210k |
| Tags | Web-extracted, Large-Scale, Education, Multi-domain, 2024 |
from datasets import load_dataset
ds = load_dataset("TIGER-Lab/WebInstructSub")
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
Najczęstsze pytania
Czy mogę użyć WebInstruct komercyjnie?
Tak — WebInstruct jest udostępniony na licencji CC BY-SA 4.0, liberalnej licencji pozwalającej na użycie komercyjne, w tym trenowanie modeli wdrażanych w produkcie. Przed publikacją sprawdź wymogi atrybucji na karcie zbioru.
Ile danych zawiera WebInstruct i czy potrzebuję wszystkich?
WebInstruct zawiera 220M Pairs. 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 WebInstruct nadaje się najlepiej?
Web-scale instruction mining for domain skills. Należy do sekcji „Instrukcje / SFT" naszego centrum zbiorów danych, gdzie znajdziesz alternatywy i zbiory komplementarne.
← Wszystkie zbiory danych | Fine-Tuning Guide