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