Awesome-LLMs-Datasets: 大型语言模型数据集全面概述

大型语言模型数据集概述

大型语言模型(Large Language Models, LLMs)的蓬勃发展离不开海量高质量数据集的支持。本文将全面介绍 LLMs 相关的各类数据集,为研究者提供宝贵的数据资源参考。

预训练语料库

预训练语料库是 LLMs 预训练阶段使用的大规模文本数据集合。这些语料库通常包含来自多个领域和来源的广泛文本内容,适合训练通用基础模型。根据数据类别,预训练语料库主要可分为以下几类:

网页数据

网页数据是最常用的预训练语料来源之一。一些代表性的网页数据集包括:

Common Crawl:最大规模的网页爬虫数据集,包含数十亿网页。
C4:基于 Common Crawl 清洗得到的高质量英文语料。
mC4:C4 的多语言版本,覆盖 108 种语言。
OSCAR:基于 Common Crawl 构建的多语言数据集,包含 151 种语言。
RedPajama-V2:包含 30.4 万亿 tokens 的多语言预训练数据集。

这些网页数据集通常规模巨大,包含丰富的领域知识,是训练大规模语言模型的重要资源。

语言文本

语言文本数据集专注于收集特定语言的高质量文本:

ANC:美国英语语料库
BNC:英国英语语料库
News-crawl:包含 59 种语言的新闻文本数据

这类数据集虽然规模相对较小,但文本质量较高,适合进行语言学研究或特定语言模型的训练。

图书数据

图书数据集包含大量完整的图书文本:

Anna's Archive:包含 586.3TB 的多语言图书数据
BookCorpusOpen:17,868 本英文图书的开放数据集
PG-19:基于 Project Gutenberg 构建的英文图书数据集

图书数据通常包含连贯的长文本,适合训练模型的长文本理解能力。

除此之外,预训练语料库还包括学术材料、代码、平行语料库、社交媒体、百科全书等多种类型。研究者可以根据具体需求选择合适的预训练语料。

指令微调数据集

指令微调数据集用于对预训练模型进行指令跟随能力的微调。这些数据集通常包含人类指令和相应的模型输出。根据构建方法,可以分为以下几类:

人工生成数据集(HG):由人类专家手动编写高质量的指令-回答对。
模型构建数据集(MC):利用现有模型自动生成大规模指令数据。
已有数据集收集与改进(CI):对现有数据集进行整理、清洗和改进。
混合方法:结合上述多种方法构建的数据集。

一些代表性的指令微调数据集包括:

InstructGPT:OpenAI 发布的人工生成指令数据集
Alpaca:基于 text-davinci-003 生成的 52K 指令数据
FLAN Collection:Google 发布的大规模指令数据集合

这些数据集在提升模型的指令跟随能力方面发挥了重要作用。

偏好数据集

偏好数据集用于对齐模型输出与人类偏好,通常包含多个模型回答及其人类评分。主要的评分方法包括:

投票(Vote):对多个答案进行二元选择
排序(Sort):对多个答案进行相对排序
打分(Score):对每个答案进行绝对分数评价

一些代表性的偏好数据集包括:

Anthropic HH:包含 67K 人工标注的对话偏好数据
OpenAI WebGPT:基于人类反馈的网页问答数据集
Constitutional AI:用于训练宪法AI的偏好数据集

这些数据集对于提升模型输出质量、对齐人类价值观具有重要意义。

评估数据集

评估数据集用于全面评估语言模型的各项能力。根据评估重点,可以分为以下几类:

通用能力评估:如 MMLU、BIG-bench 等
考试能力评估:如 AGIEval、C-Eval 等
学科知识评估:如 MedQA、LawBench 等
自然语言理解评估:如 GLUE、SuperGLUE 等
推理能力评估:如 GSM8K、BBH 等
知识评估:如 TruthfulQA、FEVER 等
长文本处理评估:如 LongBench、NAH 等
工具使用评估:如 ToolBench、APIBench 等
Agent 评估:如 AgentBench 等

此外还有代码、多语言、事实性等多个维度的评估数据集。这些评估数据集为全面衡量模型性能提供了重要支持。

传统 NLP 数据集

传统 NLP 数据集虽然规模相对较小,但在特定 NLP 任务上仍具有重要价值。主要包括:

问答:SQuAD、NaturalQuestions 等
文本蕴含:SNLI、MNLI 等
情感分析:SST、IMDB 等
文本生成:CNN/DailyMail、XSum 等
文本分类:AG News、DBPedia 等
命名实体识别:CoNLL-2003、OntoNotes 5.0 等
关系抽取:TACRED、DocRED 等

这些数据集为评估模型在特定 NLP 任务上的表现提供了重要基准。

多模态大语言模型数据集

随着多模态大语言模型(MLLMs)的兴起,相关数据集也日益丰富:

预训练语料:如 LAION-5B、OBELICS 等
指令微调数据集:如 LLaVA、InstructBLIP 等
评估数据集:如 MME、MMMU 等

这些数据集推动了 MLLMs 在视觉-语言理解与生成方面的快速发展。

检索增强生成数据集

检索增强生成(RAG)是提升 LLMs 知识能力的重要方向。相关数据集主要包括:

ARES:评估 RAG 系统性能的综合数据集
KILT:基于知识密集型任务的 RAG 评估数据集
LFRQA:评估长篇事实检索问答能力的数据集

这些数据集为构建和评估 RAG 系统提供了重要支持。

总结与展望

大型语言模型的发展离不开高质量数据集的支持。本文全面介绍了 LLMs 相关的各类数据集,包括预训练语料库、指令微调数据集、偏好数据集、评估数据集等。这些数据集为 LLMs 的训练与评估提供了宝贵的资源。

未来,LLMs 数据集的发展趋势可能包括:

更大规模:构建更大规模的预训练语料库,支持更大模型的训练。
更高质量:提高数据清洗和过滤的标准,构建更高质量的数据集。
更多样化:覆盖更多语言、领域和任务类型的数据集。
更注重隐私:在保护隐私的前提下构建和使用数据集。
更关注对齐:构建更多反映人类价值观的指令和偏好数据集。
更全面的评估:开发更加全面和严格的模型评估数据集。
多模态融合:构建融合文本、图像、音频等多模态的数据集。

总的来说,高质量的数据集将持续推动 LLMs 的发展与进步。研究者应当充分利用这些宝贵的数据资源,同时也要注意数据的合规性与伦理性,推动 LLMs 技术的健康发展。

LLM datasets overview

图1: LLMs 数据集概览

参考资源

希望本文能为 LLMs 研究者提供有价值的数据集参考。随着技术的发展,相关数据集也在不断更新,建议读者关注最新进展。让我们共同期待 LLMs 在海量高质量数据的支持下,为人类智能带来更多突破性进展! 🚀🤖💡