roleplay_multiturn_chat_1k_zh_v0.1

מה זה

המאגר כולל סביב אלף דוגמאות של שיחות מרובות תורות בין דמויות שונות. כל רשומה מציגה אינטראקציה שמבוססת על אישיות מוגדרת, אך החומר לא נוצר מאיסוף של דיבור אנושי אמיתי. היוצר השתמש במתודולוגיית self-instruct כדי לגרום למודל שפה לייצר גם את הגדרות האישיות וגם את חילופי הדברים ביניהן. המטרה המוצהרת של הפרויקט קשורה לפיתוח סוכן שיחה אישי בשם Xiaoyu שמשדר ב־Bilibili.

אין כאן חלוקה מורכבת לתתי קבוצות של אימון או מבחן. הקובץ המרכזי שמופיע במאגר הוא קובץ יחיד בפורמט JSON שמכיל את כל אלף השיחות, לצד תיעוד קצר. היוצר לא פירט שום תהליך סינון ידני או אוטומטי שהופעל על הנתונים לאחר הייצור, כך שמדובר בתוכן גולמי למדי שיצא ישירות מתהליך היצירה הממוחשב.

מתאים ל

• ניסויי כוונון מהירים

  אימון בדיקה על אלף דוגמאות בסינית כדי לראות אם מודל לומד לדבר בגוף ראשון לפי דמות.

• מחקר על דאטה סינתטי

  בדיקת איכות השיחה וההטיות שנוצרות כשמייצרים תרחישי תפקידים בשיטת self-instruct.

• הערכת עקביות אישיות

  בחינה של מודלים קיימים על שיחות מרובות תורות כדי לראות אם הם שומרים על אופי הדמות.

איפה זה נופל

הנתונים נוצרו במלואם על ידי מודל שפה, והיוצר מודה במפורש שהערכים וההטיות המובנים של המודל זלגו לתוך התוכן. זה הופך את משחקי התפקידים לפחות מדויקים ולפחות אמינים מאשר דיאלוג אנושי אמיתי. בנוסף, המאגר קיים אך ורק בסינית, ללא תרגום וללא שום תמיכה בעברית או באנגלית. גודל של אלף שיחות אינו מספיק לאימון מודל מאפס, והוא יכול לשמש לכל היותר לניסויי כוונון עדין שטחיים. אל תכניסו את זה למוצר בלי בדיקה ידנית של איכות השיחות וההטיות.

איך טוענים

טוענים את הנתונים ישירות מקובץ roleplay_multiturn_chat_1k_v0.1.json שנמצא במאגר. המאגר פתוח לכולם ולא דורש הרשמה מיוחדת, טופס גישה או אישור ידני מהיוצר. מדובר בסך הכל בכאלף רשומות, כך שהקובץ שוקל מעט מאוד ויורד בשניות גם על חיבור בסיסי ביותר. כדי לעבוד איתו ב־Python מספיק לקרוא את קובץ ה־JSON בעזרת המודול המובנה או לטעון אותו עם ספריית datasets. לפני שרצים לאימון, צריך לבדוק את המבנה הפנימי של התורות בשיחה כדי לוודא התאמה לפורמט הפרומפטים של המודל שלכם.

from datasets import load_dataset

ds = load_dataset("Minami-su/roleplay_multiturn_chat_1k_zh_v0.1")

הרישיון

הרישיון של המאגר לא דווח כלל בעמוד הפרויקט. המשמעות המשפטית ברורה, אין לכם שום היתר מפורש לשימוש מסחרי, וכל שימוש בו עלול לחשוף אתכם לתביעות על הפרת זכויות יוצרים. היוצר מבקש בהערות רק לתת ייחוס למקור אם משתמשים במידע, ומפנה למאמר המקורי של self-instruct. עם זאת, בקשה כזו בטקסט חופשי אינה מהווה רישיון קוד פתוח מוכר. לא הייתי בונה על זה שום מוצר מסחרי.

הרישיון המלא ב־Hugging Face ↗