HelpSteer2 — LLM 偏好（RLHF / DPO） Dataset
NVIDIA's 21K open-source preference dataset designed for training reward models and RLHF. Each response is annotated by human raters on 5 dimensions: helpfulness, correctness, coherence, complexity, and verbosity. Significantly improves reward model accuracy over HH-RLHF.
Dataset Details
| Provider | nvidia |
| Category | 偏好（RLHF / DPO） |
| Size | 21K Samples |
| License | CC BY 4.0 |
| Downloads | 290k |
| Tags | RLHF, Reward Model, Multi-aspect, NVIDIA, Human-rated |
from datasets import load_dataset
ds = load_dataset("nvidia/HelpSteer2")
用这个数据集微调
使用 QLoRA（4-bit 基础模型 + LoRA 适配器）微调的预计显存需求（保守默认参数）：
| 7B QLoRA | ~6GB VRAM |
| 13B QLoRA | ~10GB VRAM |
检测你的 GPU 能否微调 →
微调新手？跟着分步教程走： 一小时微调你的第一个 LLM
相关数据集
- UltraFeedback — The default DPO preference set to run after any SFT pass
- Nectar — Reward-model training with 7-way ranked responses
- Anthropic HH-RLHF — Safety-focused preference training (helpfulness and harmlessness)
- DPO Mix 7K — A small, balanced DPO starter set
常见问题
HelpSteer2 可以商用吗？
可以——HelpSteer2 采用 CC BY 4.0 宽松许可证，允许商业使用，包括训练用于产品的模型。发布前请查看数据集卡片中的署名要求。
HelpSteer2 有多少数据？需要全部使用吗？
HelpSteer2 包含 21K Samples。通常不需要全部：风格和格式微调只需几百到几千条样本——先加载切片（如 split="train[:1000]"），质量到达瓶颈时再扩大规模。
HelpSteer2 最适合做什么？
Training reward models with fine-grained quality ratings。它属于数据集中心的「偏好（RLHF / DPO）」板块，那里有替代和互补的数据集。
← 全部数据集 | Fine-Tuning Guide