تم إصدار مجموعة بيانات Daring-Anteater بواسطة شركة إنفيديا في عام 2024، وهي مجموعة شاملة مُخصصة لضبط النماذج بناءً على التعليمات. ترتكز هذه المجموعة على النتائج المنشورة في الورقة البحثية «HelpSteer2: Open-source dataset for training top-performing reward models»، بهدف تعزيز إمكانية إعادة الإنتاج وتدريب نماذج مكافآت عالية الأداء.

تحتوي هذه المجموعة على حوالي 95,000 عينة؛ حيث تم توليد معظمها اصطناعياً باستخدام نموذج إنفيدييا الخاص وMixtral-8x7B-Instruct-v0.1، بينما جاءت العينات الأخرى من مجموعات فرعية ذات تراخيص تجارية مواتية مستمدة من قواعد البيانات FinQA وwikitablequestions وOpen-Platypus. تغطي هذه المجموعة طيفاً واسعاً من المهام والسياقات، وتُستخدم أساساً للضبط الدقيق تحت الإشراف (SFT)، يليه ضبط التفضيلات. تُصدر هذه المجموعة بموجب ترخيص CC-BY-4.0 مفتوح المصدر، مما يدعم الاستخدام التجاري.

مكونات مجموعة البيانات

تتألف هذه المجموعة من أربعة حقول رئيسية:

• المحادثات: جولات الحوار بين المستخدم والمساعد
• القناع: الجولات التي لا يتم حساب الخسارة فيها (الافتراضي هو "المستخدم")
• النظام: تعليمات النظام
• 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

الاستشهاد المرجعي

@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.'}
}