数据集:

bigscience/xP3

任务:

task_categories:other

语言:

计算机处理:

multilingual

大小:

100M<n<1B

批注创建人:

expert-generated crowdsourced

预印本库:

arxiv:2211.01786

许可:

apache-2.0

数据集介绍文件清单

英文

xP3 数据集卡片

数据集概述

xP3 (跨语言公共提示池) 是一个涵盖46种语言和16个自然语言处理任务的提示和数据集的集合。它用于训练 BLOOMZ 和 mT0，这些多语言语言模型可以零-shot地按照人类指令执行多种语言的任务。

创建：数据集可以使用可用的指令重建 here 。我们提供此版本以节省处理时间并提供易于重现性。
语言：46种（可以通过 recreating with more splits 扩展）
xP3 数据集家族：

Name	Explanation	Example models
1234321	Mixture of 17 tasks in 277 languages with English prompts	WIP - Join us at Project Aya @ 1235321 to help!
1236321	Mixture of 13 training tasks in 46 languages with English prompts	1237321 & 1238321
1239321	Mixture of 13 training tasks in 46 languages with prompts in 20 languages (machine-translated from English)	12310321 & 12311321
12312321	xP3 + evaluation datasets adding an additional 3 tasks for a total of 16 tasks in 46 languages with English prompts
12313321	12314321 processed version of xP3	1237321
12316321	Repreprocessed version of the English-only 12317321 with 8 training tasks	12318321 & 12319321

数据集结构

数据实例

"train" 的示例如下：

{
"inputs": "Sentence 1: Fue académico en literatura metafísica, teología y ciencias clásicas.\nSentence 2: Fue académico en literatura metafísica, teología y ciencia clásica.\nQuestion: Can we rewrite Sentence 1 to Sentence 2? Yes or No?",
"targets": "Yes" 
}

数据字段

所有拆分之间的数据字段是相同的：

inputs ：输入给模型的自然语言输入
targets ：模型需要生成的自然语言目标

数据拆分

下表总结了每种语言的大小（从 merged_{lang}.jsonl 文件计算得出）。由于诸如 tw 等语言只是来自 Flores 的单句翻译样本，因此它们的字节百分比远低于其样本百分比。添加新语言非常简单，您可以使用 this script adding Russian 作为示例。

Language	Kilobytes	%	Samples	%
tw	106288	0.11	265071	0.34
bm	107056	0.11	265180	0.34
ak	108096	0.11	265071	0.34
eu	108112	0.11	269973	0.34
ca	110608	0.12	271191	0.34
fon	113072	0.12	265063	0.34
st	114080	0.12	265063	0.34
ki	115040	0.12	265180	0.34
tum	116032	0.12	265063	0.34
wo	122560	0.13	365063	0.46
ln	126304	0.13	365060	0.46
as	156256	0.16	265063	0.34
or	161472	0.17	265063	0.34
kn	165456	0.17	265063	0.34
ml	175040	0.18	265864	0.34
rn	192992	0.2	318189	0.4
nso	229712	0.24	915051	1.16
tn	235536	0.25	915054	1.16
lg	235936	0.25	915021	1.16
rw	249360	0.26	915043	1.16
ts	250256	0.26	915044	1.16
sn	252496	0.27	865056	1.1
xh	254672	0.27	915058	1.16
zu	263712	0.28	915061	1.16
ny	272128	0.29	915063	1.16
ig	325232	0.34	950097	1.2
yo	352784	0.37	918416	1.16
ne	393680	0.41	315754	0.4
pa	523248	0.55	339210	0.43
gu	560688	0.59	347499	0.44
sw	560896	0.59	1114455	1.41
mr	666240	0.7	417269	0.53
bn	832720	0.88	428843	0.54
ta	924496	0.97	410633	0.52
te	1332912	1.4	573364	0.73
ur	1918272	2.02	855756	1.08
vi	3101408	3.27	1667306	2.11
code	4330752	4.56	2707724	3.43
hi	4393696	4.63	1543441	1.96
zh	4589904	4.83	3560556	4.51
id	4606288	4.85	2627392	3.33
ar	4677264	4.93	2148955	2.72
fr	5546688	5.84	5055942	6.41
pt	6129584	6.46	3562772	4.52
es	7571808	7.98	5151349	6.53
en	37261104	39.25	31495184	39.93
total	94941936	100.0	78883588	100.0

数据集创建

源数据

训练数据集

Code Miscellaneous
闭书问答
提取式问答
- Adversarial QA
- CMRC2018
- DRCD
- DuoRC
- MLQA
- Quoref
- ReCoRD
- ROPES
- SQuAD v2
- xQuAD
- TyDI QA
  - Primary
  - Goldp
多项选择问答
- ARC
- C3
- CoS-E
- Cosmos
- DREAM
- MultiRC
- OpenBookQA
- PiQA
- QUAIL
- QuaRel
- QuaRTz
- QASC
- RACE
- SciQ
- Social IQA
- Wiki Hop
- WiQA
释义鉴别
- MRPC
- PAWS
- PAWS-X
- QQP
程序合成
结构到文本
- Common Gen
- Wiki Bio
情感
- Amazon
- App Reviews
- IMDB
- Rotten Tomatoes
- Yelp
简化
- BiSECT
摘要
- CNN Daily Mail
- Gigaword
- MultiNews
- SamSum
- Wiki-Lingua
- XLSum
- XSum
主题分类
- AG News
- DBPedia
- TNEWS
- TREC
- CSL
翻译
- Flores-200
- Tatoeba
词义消岐
- WiC
- XL-WiC

评估数据集（包括于 xP3all 中的 NLI 数据集和人工评估除外）

自然语言推断（NLI）
- ANLI
- CB
- RTE
- XNLI
共指消解
- Winogrande
- XWinograd
程序合成
- HumanEval
句子补全
- COPA
- Story Cloze
- XCOPA
- XStoryCloze

附加信息

许可信息

该数据集在 Apache 2.0 许可下发布。

引用信息

@article{muennighoff2022crosslingual,
  title={Crosslingual generalization through multitask finetuning},
  author={Muennighoff, Niklas and Wang, Thomas and Sutawika, Lintang and Roberts, Adam and Biderman, Stella and Scao, Teven Le and Bari, M Saiful and Shen, Sheng and Yong, Zheng-Xin and Schoelkopf, Hailey and others},
  journal={arXiv preprint arXiv:2211.01786},
  year={2022}
}

贡献

感谢 promptsource 的贡献者添加了该数据集中使用的许多提示。

作者:

bigscience

数据集大小:

108.63 GB