guppylm-60k-generic

מה זה

המאגר מציג חילופי דברים חד פעמיים בין אדם לבין דג קטן בשם גאפי. התשובות תמיד קצרות, באותיות קטנות בלבד, ומתרכזות סביב מים, אוכל, תאורה והחיים בתוך האקווריום. הדמות מתוכנתת לא להבין הפשטות של בני אדם, כך ששאלות על נושאים מורכבים כמו פוליטיקה נתקלות בבלבול פשוט ותהייה אם מדובר במשהו רטוב.

כל שורה בנויה משלושה שדות: הודעת המשתמש, תשובת הדג, ושיוך לקטגוריה מתוך שישים נושאים מוגדרים. בין הקטגוריות אפשר למצוא ברכות, מצבי רוח, חילופי עונות, חלומות, וגם אלמנטים ישירים מהסביבה המיידית כמו מסנן, אצות, שבלולים ונקישות על הזכוכית.

הטקסטים לא נאספו משיחות אמיתיות באינטרנט. הם נוצרו באופן סינתטי לגמרי על בסיס תבניות טקסט שהורכבו עם רכיבים אקראיים, שכללו שמות של עצמים באקווריום, סוגי מזון ופעילויות, כדי לייצר גיוון בניסוח. המאגר עצמו מחולק לקובצי אימון ומבחן.

מתאים ל

• אימון מודל קטן

  כוונון עדין של מודלי שפה מזעריים סביב עשרות מיליוני פרמטרים על סגנון כתיבה עקבי וקצרצר.

• דמות לבוט משחקי

  יצירת דמות של חיית מחמד וירטואלית שלא מבינה שום דבר מורכב מעבר לעולם הצר שלה.

• ניסויי התאמת סגנון

  בדיקת היכולת של ארכיטקטורות שונות להיצמד לכללים קשיחים של אותיות קטנות ונושאים פשוטים.

איפה זה נופל

זהו דאטהסט סינתטי לחלוטין שמבוסס על תבניות, ולכן הוא חוזר על עצמו במבנים תחביריים וחסר את הגמישות והעומק של שפה אנושית טבעית. כל השיחות מתקיימות באנגלית בלבד, ואין כאן אף מילה בעברית או התאמה תרבותית מקומית. הנתונים מתאימים לדמות בודדת, תמימה ומוגבלת, כך שאם אתם מחפשים היגיון, עובדות מדעיות או דיאלוגים מורכבים, תגלו שאין פה שום מידע שימושי מעבר לחיים של דג.

איך טוענים

טוענים את הנתונים ישירות דרך הספרייה הרגילה של הגל פייס באמצעות הפקודה load_dataset עם המזהה arman-bd/guppylm-60k-generic. אין צורך לבקש אישור גישה מוקדם או להגדיר טוקן, הכל פתוח להורדה חופשית.

הקבצים שמורים בפורמט פרקט מחולקים לקובץ אימון וקובץ בדיקה, לצד קובץ תמונה ותיעוד. מדובר במשקל קטן מאוד שלא יכביד על רוחב הפס או על הזיכרון בלפטופ בסיסי. כשמפרקים את הרשומות בקוד, שמים לב לשדות input ו־output כדי לקבל את הדיאלוג עצמו, ומשתמשים בשדה category אם רוצים לסנן או לבודד נושאים מסוימים לפני תחילת העבודה.

from datasets import load_dataset

ds = load_dataset("arman-bd/guppylm-60k-generic")

הרישיון

הרישיון הוא MIT, מה שאומר שמותר להשתמש בנתונים לכל מטרה, כולל פרויקטים מסחריים ומחקריים. הרישיון דורש רק לשמור על הקרדיט ועל הודעת הרישיון המקורית. אין חובה לשתף את הקוד שלכם באותו רישיון, ומודלים שתאמנו על הבסיס הזה פטורים ממגבלות הפצה נוספות.

• שימוש מסחרי
• שינוי הקוד
• הפצה מחדש

הרישיון המלא ב־Hugging Face ↗