合成数据
UltraChat 200k
由模型生成的多轮对话, topic 覆盖广,适合做对话 SFT 的合成基线。
- 规模
- 约 20 万条多轮对话
- 许可
- MIT
- 获取
- 直接下载
合成数据会放大生成模型的风格与错误;要混入人工数据并做去重与质量过滤。
看数据卡 →Models · Data · Synthetic data
模型生成或改写的样本;补长尾,但会放大模型风格与错误。 这一页收 3 张卡;点进单卡看许可、规模、任务适配与使用边界。
由模型生成的多轮对话, topic 覆盖广,适合做对话 SFT 的合成基线。
合成数据会放大生成模型的风格与错误;要混入人工数据并做去重与质量过滤。
看数据卡 →用 Evol-Instruct 把简单指令改写成更深、更复杂版本,适合做指令难度爬坡。
合成指令可能不自然或不可执行;训练前要抽检并去掉重复模板。
看数据卡 →混合合成与公开指令数据,覆盖广,是社区常用的 SFT 基线。
来源混合,重复与低质样本多;需按来源分层抽样并做去重。
看数据卡 →