跳到主要内容Skip to main content

Models · Data · 指令与 SFT

SmolTalk

面向小模型对话能力整理的混合集,覆盖日常问答、指令与多轮对话。

来源Hugging Face
规模约 200 万条对话样本
语言英文为主
格式JSONL / Parquet
许可Apache-2.0(以数据集卡为准)
商用允许,需保留许可声明
获取Hugging Face 直接下载
任务适配SFT / 对话 / 小模型后训练
核验日2026-11-19

质量与偏差

面向小模型对话能力整理的混合集,覆盖日常问答、指令与多轮对话。

使用边界

以英文日常对话为主,专业领域与中文覆盖有限;合成/改写样本可能放大模型风格。

第一次使用

先抽 1 万条看轮次长度、系统提示与拒答样本比例。

常见坑

把对话流畅度当事实正确;忽略多轮上下文的截断。

成本

低到中等;小模型单机可跑。

不适合

不适合直接做法律、医疗等高危领域 SFT。

对比与替代

与 Tülu 3 SFT 相比更轻、更偏对话;复杂指令覆盖不如 Tülu 3。

怎么验证

核对数据集版本与许可;抽 100 条检查多轮结构与拒答。

下一步

  • 打开来源页,下载数据集卡与许可原文,确认版本与获取条件。
  • 先抽 100–500 条样本做质量、语言与敏感内容抽检,再决定是否进训练管线。
  • 如果用于 RAG 或 SFT,先读 RAG 语料怎么选 / SFT 数据怎么配比。
来源:https://huggingface.co/datasets/HuggingFaceTB/smoltalk · 核验日 2026-11-19 · 许可以来源页为准