WebInstruct
220 mln par instrukcja–odpowiedź wydobytych z sieci przez identyfikowanie treści edukacyjnych metodą recall-then-verify. Obejmuje materiał od poziomu szkolnego po studia magisterskie z matematyki, nauk ścisłych i inżynierii — umożliwia wielkoskalowy fine-tuning instrukcyjny bez ludzkiej kurateli.
from datasets import load_dataset
ds = load_dataset("TIGER-Lab/WebInstructSub")Podgląd przykładowego wiersza
{
"question": "What is the relationship between voltage, current, and resistance in Ohm's Law?",
"answer": "Ohm's Law states V = IR, where V is voltage (volts), I is current (amperes), and R is resistance (ohms). It means that for a given resistance, increasing voltage proportionally increases current..."
}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 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.