SynSQL-2.5M

מה זה

במקום כמה עשרות בסיסי נתונים כמו במאגרים קלאסיים, יש כאן 16,583 בסיסי נתונים סינתטיים מתחומים שונים וסך הכל 2,544,390 רשומות. כל רשומה כוללת רביעייה מסודרת של בסיס נתונים, שאלה בשפה טבעית, שאילתת SQL תואמת והסבר מלא בתצורת שרשרת חשיבה שמפרק את הפתרון צעד אחר צעד.

כל הנתונים נוצרו באמצעות מודלי שפה פתוחים. השאילתות מכסות רמות קושי שונות, מטבלה בודדת ועד חיבורים מרוכבים, פונקציות וביטויי טבלה משותפים. השאלות נוסחו בסגנונות לשוניים מגוונים, משפה רשמית ותיאורית ועד ניסוחים דיבוריים, עמומים או מטאפוריים.

מתאים ל

• אימון בסיס לתרגום שאילתות

  אימון מודלי שפה על מיליוני דוגמאות מגוונות של שאילתות וסכמות מאפס.

• לימוד שרשראות חשיבה

  שיפור יכולת הפירוק הלוגי של מודלים לפני יצירת שאילתת SQL סופית.

• אימון מקדים למנועי SQLite

  בניית יכולות חזקות בעבודה מול SQLite לפני כוונון על נתונים ארגוניים.

איפה זה נופל

הנתונים כולם באנגלית ומכוונים בלעדית למנוע SQLite. אם אתם עובדים בעברית, בניבים אחרים כמו PostgreSQL או MySQL, או מול מערכות ייצור מורכבות, המודל יתקשה ללא התאמות ייעודיות. בנוסף, מדובר בדאטה סינתטי לחלוטין שיוצר על ידי מודלים, ולכן ייתכנו תבניות חוזרות או חוסר בהיגיון עסקי של העולם האמיתי שכדאי לבדוק במדגם ידני.

איך טוענים

המאגר פתוח להורדה ישירה דרך HuggingFace או Modelscope ואין צורך בהרשאה מיוחדת. הנתונים מחולקים לחמישה קבצים מרכזיים, שכוללים קובץ data.json עם השאלות והתשובות, קובץ tables.json לסכמות וארכיון databases.zip שמכיל את בסיסי הנתונים בפועל. בגלל היקף של מיליוני רשומות, כדאי להכין נפח אחסון משמעותי מראש.

from datasets import load_dataset

ds = load_dataset("seeklhy/SynSQL-2.5M")

הרישיון

המאגר משוחרר תחת רישיון apache-2.0. הרישיון מתיר שימוש מסחרי, שינוי והפצה, ואינו מחייב אתכם לשחרר את הקוד או את המודלים שלכם תחת אותו רישיון. החובה העיקרית היא מתן קרדיט ושמירה על הודעת זכויות היוצרים המקורית.

• שימוש מסחרי
• שינוי הקוד
• הפצה מחדש
• שימוש בפטנטים

הרישיון המלא ב־Hugging Face ↗