Magpie-Align — LLM 指令 / SFT Dataset
3M self-synthesized instruction pairs generated by prompting Llama 3 to produce both instructions and responses using a novel pre-query template approach. Unlike previous datasets, Magpie requires no seed data or human curation, achieving superior quality through alignment filtering.
Dataset Details
| Provider | magpie-align |
| Category | 指令 / SFT |
| Size | 3M Pairs |
| License | Apache 2.0 |
| Downloads | 650k |
| Tags | Self-Synthesized, Llama 3, Large-Scale, Filtered, 2024 |
from datasets import load_dataset
ds = load_dataset("Magpie-Align/Magpie-Pro-300K-Filtered")
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
- Infinity-Instruct — Large-scale general SFT when you need millions of samples
- Smoltalk — General SFT for small models (the SmolLM2 recipe)
- Python-Edu — Continued pretraining for Python code understanding
- OpenHermes 2.5 — The default general-purpose SFT mix for 7B-13B fine-tunes
常见问题
Magpie-Align 可以商用吗？
可以——Magpie-Align 采用 Apache 2.0 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。
Magpie-Align 有多少数据？需要全部使用吗？
Magpie-Align 包含 3M Pairs。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。
Magpie-Align 最适合做什么？
Fresh synthetic SFT data without seed data or scraping。它属于数据集中心的「指令 / SFT」板块，那里有替代和互补的数据集。
← 全部数据集 | Fine-Tuning Guide