偏好（RLHF / DPO） · nvidia

HelpSteer2

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.

在 Hugging Face 查看 →阅读论文

加载

from datasets import load_dataset
ds = load_dataset("nvidia/HelpSteer2")

预览示例数据

{
  "prompt": "How do I improve my sleep quality?",
  "response": "To improve sleep quality: 1) Maintain a consistent sleep schedule 2) Create a dark, cool environment 3) Avoid screens 1hr before bed...",
  "helpfulness": 4,
  "correctness": 5,
  "coherence": 5,
  "complexity": 2,
  "verbosity": 3
}

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 VRAM13B 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

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。