LimaRP-augmented

מה זה

המאגר מבוסס על הדאטהסט LimaRP של lemonilia, ועבר עיבוד מחדש לפורמט Fastchat. הטקסטים מציגים חילופי דברים בין משתמש לעוזר, כאשר הפרומפט הראשון בכל שיחה נבנה מחדש כך שיכיל הגדרות פרסונה, תיאור תרחיש, תגיות תוכן והנחיות לגבי שימוש באימוג'ים או פניות מחוץ לדמות. שמות זמניים ופלייסהולדרים הוחלפו בשמות שנוצרו בספריית Faker, ותגיות טכניות ישנות כמו 4K או בדיקות דקדוק נוקו.

בגרסה הזו חיברו בחזרה שיחות שפוצלו במקור, במטרה לכוון לאימון של מודלים עם חלון הקשר ארוך. בנוסף, הוכנס כלל קשיח שלפיו העוזר מגלם תמיד דמות אחת בלבד לאורך כל הטקסט. אם המשתמש מגלם כמה דמויות שונות, הדבר מוגדר ומוסבר מראש בפרומפט הפתיחה כדי למנוע בלבול.

מתאים ל

• אימון משחקי תפקידים

  כוונון מודלים לשמירה על דמות בודדת ועקבית לאורך אינטראקציה ממושכת.

• אימון על הקשר ארוך

  לימוד מודלים להתמודד עם שיחות רצופות ומלאות שלא עברו פיצול מלאכותי.

• בדיקת היצמדות להנחיות

  בחינת יכולת המודל לפעול לפי תיאורי תרחיש, פרסונה והגבלות מורכבות.

איפה זה נופל

היוצר לא מציין חלוקה רשמית לרכבת ומבחן, ואין תיעוד לגבי השפות שנכללות, כך שההנחה הבסיסית היא שמדובר באנגלית בלבד. בנוסף, חיבור השיחות מייצר רצפים ארוכים מאוד שלא יתאימו לכל ארכיטקטורה בלי עיבוד מקדים. אין פירוט על סינון תוכן רגיש או רעילות, חוץ מתיוג כללי בפרומפט הראשון, ולכן חובה לדגום את הטקסטים ידנית לפני שרצים לאמן.

איך טוענים

הנתונים יושבים בקובץ יחיד בשם LimaRP-augmented.json, ואין צורך לבקש אישור גישה מיוחד כדי להוריד אותו מהעמוד של grimulkan. הפורמט מותאם ל־Fastchat, כלומר מבנה שיחה מוכן לעבודה. אם אתם לא מאמנים מודל על חלון הקשר גדול, תצטרכו לחתוך ולפצל את השיחות הארוכות בעצמכם כדי שלא יחרגו מהמגבלות שלכם.

from datasets import load_dataset

ds = load_dataset("grimulkan/LimaRP-augmented")

הרישיון

הרישיון מוגדר כ־unknown, כלומר היוצר לא הצהיר תחת איזה רישיון החומר מופץ. במצב כזה אין אישור להשתמש בזה לשום מטרה מסחרית, ואי אפשר לדעת אם מותר להפיץ מודל שאומן עליו. כל שימוש מעבר למחקר אישי סגור חושף אתכם לסיכון משפטי ברור.

הרישיון המלא ב־Hugging Face ↗