หน้าแรก>การเขียนโปรแกรมที่เกี่ยวข้อง>ซอร์สโค้ดอื่น ๆ
ดาวน์โหลด

การปรับแต่งคำสั่งที่ยอดเยี่ยม

รายการชุดข้อมูล แบบจำลอง เอกสาร คลังข้อมูลการปรับแต่งคำสั่งโอเพ่นซอร์สที่คัดสรรแล้ว

ชุดข้อมูลและแบบจำลอง

ดัดแปลงจาก NLP แบบดั้งเดิม

หลังจาก Longpre และคณะ เราจะแสดงรายการชุดข้อมูลการปรับแต่งคำสั่งที่มีอยู่ทั้งหมดที่ดัดแปลงจากงาน NLP แบบดั้งเดิม

ปล่อย ชุดข้อมูล จำนวนงาน จำนวนอินสแตนซ์ รุ่น_ชื่อ ฐาน รุ่น_ขนาด
2020-05 UnifiedQA 46 750k UnifiedQA โรเบอร์ตา 110-340 ม
2021-04 ครอสฟิต 159 71.ม BART-CrossFit บาร์ต 140 ม
2021-04 เนเชอรัล Inst v1.0 61 620 ก พล.ท บาร์ต 140 ม
2021-09 ฟลาน 2021 62 4.4M ฟลาน-ละเอ็มด้า ลามด้า 137B
2021-10 ป3 62 12ม ถึง ถึง ถึง+ ถึง ++ T5-LM 3-11B
2021-10 โลหะCL 142 3.5M โลหะCL GPT-2 770 ม
2021-11 เอ็กซ์มิกซ์ 107 500 ก ExT5 T5 220M-11B
2022-04 สถาบันซุปเปอร์เนเชอรัล 1613 5ม Tk-สอน T5-LM, mT5 17-13B
2022-10 จีแอลเอ็ม 77 12ม GLM-130B จีแอลเอ็ม 130 บ
2022-10 ฟลาน 2022 1836 15ม ประหม่า-T5, ประหม่า-ปาล์ม T5-LM, ปาล์ม 10 เอ็ม-540 บ
2022-11 xP3 71 81ม BLOOMz, มทีโอ บลูม, mT5 13-176B
2022-12 สถาบันที่ไม่เป็นธรรมชาติ 117 64 ก T5-LM-อุนนัท สถาบัน T5-LM 11B

สร้างโดย LLM

ปล่อย รุ่น_ชื่อ ฐาน รุ่น_ขนาด ชุดข้อมูล จำนวนอินสแตนซ์ ภาษา
2022-12 GPT-3 การติดตั้งด้วยตนเอง GPT-3 175B การสอนด้วยตนเอง 82 ก ภาษาอังกฤษ
03-03-2023 เนื้ออัลปาก้า ลามะ 7B อัลปาก้า_ดาต้า 52 ก ภาษาอังกฤษ
19-03-2023 อัลปาก้า-ลอร่า ลามะ 7B 13B 30B alpaca_data、alpaca_data_cleaned 52 ก ภาษาอังกฤษ
23-03-2023 จีน-วิคูน่า ลามะ 7B 13B BELLE、ชุดข้อมูล Guanaco 1ม จจ
24-03-2023 อัลปาก้า-CoT ลามะ 7B ชุดข้อมูล - เอ็นจ
25-03-2023 ดอลลี่ ดอลลี่ 6B อัลปาก้า_ดาต้า 52 ก ภาษาอังกฤษ
25-03-2023 กวานาโก ลามะ 7B ชุดข้อมูล Guanaco 534 ก เอน จ่า เดอ
28-03-2023 จีน-LLaMA-อัลปาก้า ลามะ 7B alpaca_data_zh、pCLUE、translation2019zh、alpaca_data、การสอนด้วยตนเอง 2ม จจ
29-03-2023 ColossalChat ลามะ 7B 13B InstructionWild 104 ก เอ็นจ
31-03-2023 ลัวถัว LLaMA ChatGLM 7B 6B trans_chinese_alpaca_data 52k จจ
31-03-2023 สมอง-lora-alpaca เซรีบราส-GPT 2.7B ข้อมูลอัลปาก้าสะอาดแล้ว 52k ภาษาอังกฤษ

เครื่องมือหลายภาษา

ชุดข้อมูลที่มีอยู่ส่วนใหญ่เป็นภาษาอังกฤษ อย่างไรก็ตาม ประชากรส่วนใหญ่ของโลกไม่ได้รับบริการในแง่ของความพร้อมของข้อมูลสำหรับภาษาของตน จะแน่ใจได้อย่างไรว่าทุกคนทั่วโลกสามารถได้รับประโยชน์จาก generative AI เราได้พัฒนาเครื่องมือแปลแบบโอเพ่นซอร์สที่ตรงไปตรงมาและอิงจาก Helsinki-NLP ซึ่งสามารถแปลชุดข้อมูลภาษาอังกฤษเป็นภาษาต่างๆ ได้มากกว่า 100 ภาษาโดยไม่มีค่าใช้จ่าย แม้ว่าชุดข้อมูลที่แปลแล้วเหล่านี้อาจมีสัญญาณรบกวนอยู่บ้าง แต่ก็เป็นทางเลือกที่ใช้งานได้แทนข้อมูลคุณภาพสูงและมีราคาแพง ดูด้านล่าง

การใช้ translator.py: 

 python  translator.py  model_name  source_data_path

ตัวอย่าง: 

 python  translator.py  Helsinki-NLP/opus-mt-en-zh  alpaca_data.json

เครื่องมือของเราได้รับการออกแบบให้ทำงานกับข้อมูลอัลปาก้าและโมเดล Helsinki-NLP/opus-mt-en-zh ชุดข้อมูลที่แตกต่างกันหรือแบบจำลอง Helsinki-NLP ให้ผลลัพธ์ที่แตกต่างกัน เนื่องจากข้อจำกัดของโมเดล ซึ่งถูกจำกัดโดยความสามารถของโมเดล คุณภาพการแปลอาจไม่ดีที่สุดเสมอไป ตัวอย่างเช่น เราสังเกตเห็นกรณีที่มีคำซ้ำในการแปลจากภาษาอังกฤษเป็นภาษาจีน ซึ่งทำให้เราต้องพัฒนา "process.py" เพื่อกำจัดข้อความแจ้งที่แปลซึ่งมีสตริงที่มีความยาวเท่าใดก็ได้ที่ปรากฏติดต่อกันสามครั้ง เราจัดเตรียมเวอร์ชันสุดท้ายไว้ใน "translated_alpaca_data.json"

การใช้ process.py: 

 python  process.py  unprocessed_data_path

ตัวอย่าง: 

 python  process.py  translated_data.json

# โมเดล Helsinki-NLP อาจมีขีดจำกัดความยาวประโยคอินพุตสูงสุด เราได้ละทิ้งข้อความแจ้งที่เกินขีดจำกัดก่อนที่จะแปล

เอกสาร

เราได้ตรวจสอบเอกสารในสาขานี้อย่างกว้างขวาง และได้แสดงรายการบทความที่มีค่าที่สุดไว้ด้านล่าง:

โมเดลภาษาที่ได้รับการปรับปรุงคือผู้เรียนที่ไม่ต้องทำอะไรเลย 2021.9

การฝึกอบรมแบบมัลติทาสก์พร้อมท์ช่วยให้สามารถทำงานแบบ Zero-Shot โดยทั่วไปได้ 2021.10

ฝึกอบรมโมเดลภาษาให้ปฏิบัติตามคำแนะนำพร้อมความคิดเห็นจากมนุษย์ 2022.3

คำแนะนำเหนือธรรมชาติ: การวางนัยทั่วไปผ่านคำแนะนำที่ประกาศในงาน NLP มากกว่า 1,600 รายการ 2022.4

ลักษณะทั่วไปข้ามงานที่ไม่มีผู้ดูแลผ่านการดึงข้อมูล Augmentation 2022.4

การปฐมนิเทศคำสั่ง: จากตัวอย่างบางส่วนไปจนถึงคำอธิบายงานภาษาธรรมชาติ 2022.5

คำแนะนำในการปรับขนาด-โมเดลภาษาที่ได้รับการปรับแต่งอย่างละเอียด 2022.10

เดาคำสั่ง! การเรียนรู้แบบพลิกกลับทำให้โมเดลภาษาแข็งแกร่งขึ้นสำหรับผู้เรียน Zero-Shot 2022.10

คำแนะนำที่ผิดธรรมชาติ: การปรับโมเดลภาษาโดย (เกือบ) ไม่มีแรงงานมนุษย์ 2022.12

การปรับปรุงลักษณะทั่วไปข้ามงานของโมเดลตารางเป็นข้อความแบบรวมพร้อมการกำหนดค่างานเชิงองค์ประกอบ 2022.12

การสอนด้วยตนเอง: การจัดรูปแบบภาษาให้สอดคล้องกับคำแนะนำที่สร้างขึ้นเอง 2022.12

MultiInstruct: การปรับปรุงการเรียนรู้ Zero-Shot แบบ Multi-Modal ผ่านการปรับแต่งคำสั่ง 2022.12

The Flan Collection: การออกแบบข้อมูลและวิธีการเพื่อการปรับแต่งคำสั่งอย่างมีประสิทธิภาพ 2023.1

การเรียนรู้การสอนในบริบท 2023.2

ที่เก็บ

นอกจากนี้ เราได้จัดเตรียมรายการพื้นที่เก็บข้อมูลที่เกี่ยวข้องไว้เพื่อใช้อ้างอิงเพิ่มเติม

คำแนะนำ

สุดยอดการเรียนการสอนการเรียนรู้

ชุดข้อมูลคำสั่งที่ยอดเยี่ยม

ไอซีแอล

ICL_รายการกระดาษ

การเรียนรู้พร้อมท์ในบริบท

เหตุผล

การใช้เหตุผลของ LM

LLM-การใช้เหตุผล-เอกสาร

เอกสารห่วงโซ่แห่งความคิด

กรอบ

OpenICL

ขยาย
ข้อมูลเพิ่มเติม
แอปที่เกี่ยวข้อง
แนะนำสำหรับคุณ
ข้อมูลที่เกี่ยวข้อง ทั้งหมด