Daring-Anteater は、NVIDIA が2024年に公開した、命令微調整用の包括的なデータセットであり、関連する論文成果は「HelpSteer2: Open-source dataset for training top-performing reward models」です。再現性を促進し、高性能な報酬モデルを訓練することを目的としています。

このデータセットには約95,000個のサンプルが含まれており、その大部分はNVIDIAの専用モデルとMixtral-8x7B-Instruct-v0.1によって合成生成され、残りのサンプルはFinQA、wikitablequestions、およびOpen-Platypusの商用利用に適したサブセットに由来しています。 このデータセットは幅広いタスクとシナリオをカバーしており、主に教師あり微調整（SFT）およびその後の選好調整に使用されます。 データセットはCC-BY-4.0ライセンスでオープンソース化されており、商用利用をサポートしています。

データセット構成

このデータセットには、以下の4つの主要なフィールドが含まれています：

• conversations：ユーザーとアシスタントの対話ターン
• mask：損失を計算しないターン（デフォルトは「User」）
• system：システムプロンプト
• dataset：データソース

データセットは以下のサブセットで構成されています：

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

Citation

@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.'}
}