[dataset_info.json](dataset_info.json) 包含了所有可用的数据集。如果您希望使用自定义数据集，请**务必**在 `dataset_info.json` 文件中添加*数据集描述*，并通过修改 `dataset: 数据集名称` 配置来使用数据集。 目前我们支持 **alpaca** 格式和 **sharegpt** 格式的数据集。 ```json "数据集名称": { "hf_hub_url": "Hugging Face 的数据集仓库地址（若指定，则忽略 script_url 和 file_name）", "ms_hub_url": "ModelScope 的数据集仓库地址（若指定，则忽略 script_url 和 file_name）", "script_url": "包含数据加载脚本的本地文件夹名称（若指定，则忽略 file_name）", "file_name": "该目录下数据集文件夹或文件的名称（若上述参数未指定，则此项必需）", "formatting": "数据集格式（可选，默认：alpaca，可以为 alpaca 或 sharegpt）", "ranking": "是否为偏好数据集（可选，默认：False）", "subset": "数据集子集的名称（可选，默认：None）", "split": "所使用的数据集切分（可选，默认：train）", "folder": "Hugging Face 仓库的文件夹名称（可选，默认：None）", "num_samples": "该数据集所使用的样本数量。（可选，默认：None）", "columns（可选）": { "prompt": "数据集代表提示词的表头名称（默认：instruction）", "query": "数据集代表请求的表头名称（默认：input）", "response": "数据集代表回答的表头名称（默认：output）", "history": "数据集代表历史对话的表头名称（默认：None）", "messages": "数据集代表消息列表的表头名称（默认：conversations）", "system": "数据集代表系统提示的表头名称（默认：None）", "tools": "数据集代表工具描述的表头名称（默认：None）", "images": "数据集代表图像输入的表头名称（默认：None）", "videos": "数据集代表视频输入的表头名称（默认：None）", "chosen": "数据集代表更优回答的表头名称（默认：None）", "rejected": "数据集代表更差回答的表头名称（默认：None）", "kto_tag": "数据集代表 KTO 标签的表头名称（默认：None）" }, "tags（可选，用于 sharegpt 格式）": { "role_tag": "消息中代表发送者身份的键名（默认：from）", "content_tag": "消息中代表文本内容的键名（默认：value）", "user_tag": "消息中代表用户的 role_tag（默认：human）", "assistant_tag": "消息中代表助手的 role_tag（默认：gpt）", "observation_tag": "消息中代表工具返回结果的 role_tag（默认：observation）", "function_tag": "消息中代表工具调用的 role_tag（默认：function_call）", "system_tag": "消息中代表系统提示的 role_tag（默认：system，会覆盖 system column）" } } ``` ## Alpaca 格式 ### 指令监督微调数据集 - [样例数据集](alpaca_zh_demo.json) 在指令监督微调时，`instruction` 列对应的内容会与 `input` 列对应的内容拼接后作为人类指令，即人类指令为 `instruction\ninput`。而 `output` 列对应的内容为模型回答。 如果指定，`system` 列对应的内容将被作为系统提示词。 `history` 列是由多个字符串二元组构成的列表，分别代表历史消息中每轮对话的指令和回答。注意在指令监督微调时，历史消息中的回答内容**也会被用于模型学习**。 ```json [ { "instruction": "人类指令（必填）", "input": "人类输入（选填）", "output": "模型回答（必填）", "system": "系统提示词（选填）", "history": [ ["第一轮指令（选填）", "第一轮回答（选填）"], ["第二轮指令（选填）", "第二轮回答（选填）"] ] } ] ``` 对于上述格式的数据，`dataset_info.json` 中的*数据集描述*应为： ```json "数据集名称": { "file_name": "data.json", "columns": { "prompt": "instruction", "query": "input", "response": "output", "system": "system", "history": "history" } } ``` ### 预训练数据集 - [样例数据集](c4_demo.json) 在预训练时，只有 `text` 列中的内容会用于模型学习。 ```json [ {"text": "document"}, {"text": "document"} ] ``` 对于上述格式的数据，`dataset_info.json` 中的*数据集描述*应为： ```json "数据集名称": { "file_name": "data.json", "columns": { "prompt": "text" } } ``` ### 偏好数据集 偏好数据集用于奖励模型训练、DPO 训练、ORPO 训练和 SimPO 训练。 它需要在 `chosen` 列中提供更优的回答，并在 `rejected` 列中提供更差的回答。 ```json [ { "instruction": "人类指令（必填）", "input": "人类输入（选填）", "chosen": "优质回答（必填）", "rejected": "劣质回答（必填）" } ] ``` 对于上述格式的数据，`dataset_info.json` 中的*数据集描述*应为： ```json "数据集名称": { "file_name": "data.json", "ranking": true, "columns": { "prompt": "instruction", "query": "input", "chosen": "chosen", "rejected": "rejected" } } ``` ### KTO 数据集 KTO 数据集需要提供额外的 `kto_tag` 列。详情请参阅 [sharegpt](#sharegpt-格式)。 ### 多模态图像数据集 多模态图像数据集需要提供额外的 `images` 列。详情请参阅 [sharegpt](#sharegpt-格式)。 ### 多模态视频数据集 多模态视频数据集需要提供额外的 `videos` 列。详情请参阅 [sharegpt](#sharegpt-格式)。 ## Sharegpt 格式 ### 指令监督微调数据集 - [样例数据集](glaive_toolcall_zh_demo.json) 相比 alpaca 格式的数据集，sharegpt 格式支持**更多的角色种类**，例如 human、gpt、observation、function 等等。它们构成一个对象列表呈现在 `conversations` 列中。 注意其中 human 和 observation 必须出现在奇数位置，gpt 和 function 必须出现在偶数位置。 ```json [ { "conversations": [ { "from": "human", "value": "人类指令" }, { "from": "function_call", "value": "工具参数" }, { "from": "observation", "value": "工具结果" }, { "from": "gpt", "value": "模型回答" } ], "system": "系统提示词（选填）", "tools": "工具描述（选填）" } ] ``` 对于上述格式的数据，`dataset_info.json` 中的*数据集描述*应为： ```json "数据集名称": { "file_name": "data.json", "formatting": "sharegpt", "columns": { "messages": "conversations", "system": "system", "tools": "tools" } } ``` ### 预训练数据集 尚不支持，请使用 [alpaca](#alpaca-格式) 格式。 ### 偏好数据集 - [样例数据集](dpo_zh_demo.json) Sharegpt 格式的偏好数据集同样需要在 `chosen` 列中提供更优的消息，并在 `rejected` 列中提供更差的消息。 ```json [ { "conversations": [ { "from": "human", "value": "人类指令" }, { "from": "gpt", "value": "模型回答" }, { "from": "human", "value": "人类指令" } ], "chosen": { "from": "gpt", "value": "优质回答" }, "rejected": { "from": "gpt", "value": "劣质回答" } } ] ``` 对于上述格式的数据，`dataset_info.json` 中的*数据集描述*应为： ```json "数据集名称": { "file_name": "data.json", "formatting": "sharegpt", "ranking": true, "columns": { "messages": "conversations", "chosen": "chosen", "rejected": "rejected" } } ``` ### KTO 数据集 - [样例数据集](kto_en_demo.json) KTO 数据集需要额外添加一个 `kto_tag` 列，包含 bool 类型的人类反馈。 ```json [ { "conversations": [ { "from": "human", "value": "人类指令" }, { "from": "gpt", "value": "模型回答" } ], "kto_tag": "人类反馈 [true/false]（必填）" } ] ``` 对于上述格式的数据，`dataset_info.json` 中的*数据集描述*应为： ```json "数据集名称": { "file_name": "data.json", "formatting": "sharegpt", "columns": { "messages": "conversations", "kto_tag": "kto_tag" } } ``` ### 多模态图像数据集 - [样例数据集](mllm_demo.json) 多模态图像数据集需要额外添加一个 `images` 列，包含输入图像的路径。 注意图片的数量必须与文本中所有 `` 标记的数量严格一致。 ```json [ { "conversations": [ { "from": "human", "value": "人类指令" }, { "from": "gpt", "value": "模型回答" } ], "images": [ "图像路径（必填）" ] } ] ``` 对于上述格式的数据，`dataset_info.json` 中的*数据集描述*应为： ```json "数据集名称": { "file_name": "data.json", "formatting": "sharegpt", "columns": { "messages": "conversations", "images": "images" } } ``` ### 多模态视频数据集 - [样例数据集](mllm_video_demo.json) 多模态视频数据集需要额外添加一个 `videos` 列，包含输入视频的路径。 注意视频的数量必须与文本中所有 `