Daring-Anteater هي مجموعة بيانات شاملة لضبط التعليمات أصدرتها NVIDIA في عام 2024، والورقة البحثية المرتبطة بها هي "HelpSteer2: Open-source dataset for training top-performing reward models"، وتهدف إلى تعزيز قابلية التكرار وتدريب نماذج المكافآت عالية الأداء.

تحتوي مجموعة البيانات هذه على حوالي 95,000 عينة، معظمها تم توليدها بشكل تركيبي بواسطة نماذج NVIDIA الخاصة وMixtral-8x7B-Instruct-v0.1، بينما تعود العينات المتبقية إلى مجموعات فرعية صديقة للاستخدام التجاري من FinQA وwikitablequestions وOpen-Platypus. تغطي مجموعة البيانات مجموعة واسعة من المهام والسيناريوهات، وتُستخدم بشكل أساسي للضبط الخاضع للإشراف (SFT) والتعديلات اللاحقة للتفضيلات. تم إصدار مجموعة البيانات بموجب ترخيص CC-BY-4.0، وتدعم الاستخدام التجاري.

تكوين مجموعة البيانات

تحتوي مجموعة البيانات هذه على أربعة حقول رئيسية:

• conversations: جولات المحادثة بين المستخدم والمساعد
• mask: الجولات التي لا يتم حساب الخسارة فيها (الافتراضي هو "User")
• system: موجه النظام
• dataset: مصدر البيانات

تتكون مجموعة البيانات من المجموعات الفرعية التالية:

• synthetic_conv: 82,450 عينة
• synthetic_roleplay: 2,996 عينة
• synthetic_math: 3,000 عينة
• synthetic_precise_instruction_following: 1,500 عينة
• synthetic_json_format_following: 1,499 عينة
• synthetic_complex_instruction: 1,500 عينة
• open_platypus_commercial: 6,000 عينة
• FinQA: 300 عينة
• wikitablequestions: 287 عينة

الاقتباس

@misc{wang2024helpsteer2,
      title={HelpSteer2: Open-source dataset for training top-performing reward models}, 
      author={Zhilin Wang and Yi Dong and Olivier Delalleau and Jiaqi Zeng and Gerald Shen and Daniel Egert and Jimmy J. Zhang and Makesh Narsimhan Sreedhar and Oleksii Kuchaiev},
      year={2024},
      eprint={2406.08673},
      archivePrefix={arXiv},
      primaryClass={id='cs.CL' full_name='Computation and Language' is_active=True alt_name='cmp-lg' in_archive='cs' is_general=False description='Covers natural language processing. Roughly includes material in ACM Subject Class I.2.7. Note that work on artificial languages (programming languages, logics, formal systems) that does not explicitly address natural-language issues broadly construed (natural-language processing, computational linguistics, speech, text retrieval, etc.) is not appropriate for this area.'}
}