数据集:

bigscience/xP3mt

英文

xP3数据集卡片

数据集概述

xP3(跨语言公共提示池)是一个跨越46种语言和16种NLP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能够零-shot方式遵循大量语言中的人类指令。

  • 创建:可以使用可用的指令重新创建数据集 here 。我们提供此版本以节省处理时间和便于重现性。
  • 语言:46种(可以通过 recreating with more splits 进行扩展)
  • 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”的一个示例如下:

{
"inputs": "Oración 1: Fue académico en literatura metafísica, teología y ciencias clásicas.\Oración 2: Fue académico en literatura metafísica, teología y ciencia clásica.\nPregunta: ¿La oración 1 parafrasea la oración 2? ¿Si o no?",
"targets": "Sí" 
}

数据字段

所有拆分的数据字段相同:

  • 输入:输入到模型的自然语言输入
  • 目标:模型必须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(根据merged_{lang}.jsonl文件计算)。由于类似tw的语言只是来自Flores的单句翻译样本,它们的字节百分比显著低于其样本百分比。我们对单语数据集进行了机器翻译,因此只有具有跨语言数据集(例如翻译)的语言没有英文提示。没有非英文提示的语言相当于 xP3

Language Kilobytes % Samples % Non-English prompts
tw 106288 0.11 265071 0.33
bm 107056 0.11 265180 0.33
ak 108096 0.11 265071 0.33
ca 110608 0.11 271191 0.34
eu 113008 0.12 281199 0.35
fon 113072 0.12 265063 0.33
st 114080 0.12 265063 0.33
ki 115040 0.12 265180 0.33
tum 116032 0.12 265063 0.33
wo 122560 0.13 365063 0.46
ln 126304 0.13 365060 0.46
as 156256 0.16 265063 0.33
or 161472 0.17 265063 0.33
kn 165456 0.17 265063 0.33
ml 175040 0.18 265864 0.33
rn 192992 0.2 318189 0.4
nso 229712 0.24 915051 1.14
tn 235536 0.24 915054 1.14
lg 235936 0.24 915021 1.14
rw 249360 0.26 915043 1.14
ts 250256 0.26 915044 1.14
sn 252496 0.26 865056 1.08
xh 254672 0.26 915058 1.14
zu 263712 0.27 915061 1.14
ny 272128 0.28 915063 1.14
ig 325440 0.33 950097 1.19
yo 339664 0.35 913021 1.14
ne 398144 0.41 315754 0.39
pa 529632 0.55 339210 0.42
sw 561392 0.58 1114439 1.39
gu 566576 0.58 347499 0.43
mr 674000 0.69 417269 0.52
bn 854864 0.88 428725 0.54
ta 943440 0.97 410633 0.51
te 1384016 1.42 573354 0.72
ur 1944416 2.0 855756 1.07
vi 3113184 3.2 1667306 2.08
code 4330752 4.46 2707724 3.38
hi 4469712 4.6 1543441 1.93
id 4538768 4.67 2582272 3.22
zh 4604112 4.74 3571636 4.46
ar 4703968 4.84 2148970 2.68
fr 5558912 5.72 5055942 6.31
pt 6130016 6.31 3562772 4.45
es 7579424 7.8 5151349 6.43
en 39252528 40.4 32740750 40.87
total 97150128 100.0 80100816 100.0

数据集创建

源数据

训练数据集 评估数据集(在 xP3all 中包含,除了NLI和HumanEval)

其他信息

许可信息

该数据集使用Apache 2.0许可发布。

引用信息

@misc{muennighoff2022crosslingual,
      title={Crosslingual Generalization through Multitask Finetuning}, 
      author={Niklas Muennighoff and Thomas Wang and Lintang Sutawika and Adam Roberts and Stella Biderman and Teven Le Scao and M Saiful Bari and Sheng Shen and Zheng-Xin Yong and Hailey Schoelkopf and Xiangru Tang and Dragomir Radev and Alham Fikri Aji and Khalid Almubarak and Samuel Albanie and Zaid Alyafeai and Albert Webson and Edward Raff and Colin Raffel},
      year={2022},
      eprint={2211.01786},
      archivePrefix={arXiv},
      primaryClass={cs.CL}
}

贡献

感谢 promptsource 的贡献者添加了此数据集中使用的许多提示。