데이터 세트 소개

이 데이터 세트는 2024년 상하이 인공지능 연구소에서 최초의 과학적 빅 모델인 푸커 화학 빅 모델(ChemLLM)과 함께 오픈 소스로 공개되었습니다. 관련 논문 결과는 "ChemLM: 화학 대규모 언어 모델". 데이터 세트에는 주로 ChemData700K가 포함되어 있습니다. 연구팀은 또한 ChemBench-4K, ChemPref-10K 및 C-MHChem 데이터 세트의 중국어와 영어 버전을 오픈 소스로 공개했습니다.

ChemData700K 데이터 세트

ChemData700K는 9가지 핵심 화학 과제와 73만 개의 고품질 질문과 답변을 포함하고 있으며, 700만 개의 데이터 중 1/10에서 샘플링된 대규모 언어 모델 화학 기능 지침 미세 조정 데이터 세트입니다. 이 데이터 세트는 광범위한 화학 도메인 지식을 포괄하며 3가지 주요 작업 범주(분자, 반응, 도메인)로 구분됩니다.

ChemBench4K 벤치마크 데이터 세트

ChemBench는 화학 분자와 반응에 대한 9가지 작업으로 구성된 혁신적인 벤치마크입니다. 이 9가지 작업은 ChemData의 작업과 동일합니다. 이 벤치마크는 LLM 화학의 능력을 객관적으로 측정하는 기준을 제공합니다. ChemBench에는 정답이 하나인 객관식 문제 4,100개가 포함되어 있습니다.

ChemPref-10K 데이터 세트

이 데이터 세트는 인간의 선호도에 맞춰 언어 모델을 최적화하는 데 사용될 수 있으며 영어와 중국어 버전이 모두 포함되어 있습니다.

C-MHChem 데이터 세트

C-MHChem은 지난 25년 동안 중국 각지의 중학교, 고등학교, 대학 입학 시험에서 수집한 600개의 문제로 구성된, 완전히 수작업으로 작성된 고품질의 객관식 시험 벤치마크입니다.

소환

@misc{zhang2024chemllm,
title={ChemLLM: A Chemical Large Language Model},
author={Di Zhang and Wei Liu and Qian Tan and Jingdan Chen and Hang Yan and Yuliang Yan and Jiatong Li and Weiran Huang and Xiangyu Yue and Dongzhan Zhou and Shufei Zhang and Mao Su and Han-Sen Zhong and Yuqiang Li and Wanli Ouyang},
year={2024},
eprint={2402.06852},
archivePrefix={arXiv},
primaryClass={cs.AI}
}