datasets
Training and evaluation data, with the modality, task and licence stated up front. Listed live from the Hugging Face Hub.
blossom-math-v2
BLOSSOM MATH V2
介绍
Blossom Math V3版本已发布！🤗
Blossom Math V2是基于Math23K和GSM8K衍生而来的中英双语数学对话数据集，适用于数学问题微调。
相比于blossom-math-v1，新增了2500条GSM8K数据和翻译为中文的2500条GSM8K-CN数据。此外，优化了答案的检查逻辑，还移除了<<1+1=2>>等计算步骤，以统一推理步骤的风格。
本数据集采用全量Math23K、GSM8K和翻译后的GSM8K的问题，随后调用gpt-3.5-turbo-0613生成结果，并使用原始数据集中的答案对生成的结果进行验证，过滤掉错误答案，很大程度上保证了问题和答案的准确性。
本次发布了全量数据的25%，包含10K记录。
语言
中文和英文
数据集结构
每条数据代表一个完整的题目及答案，包含id、input、output、answer、dataset四个字段。
id：字符串，代表原始数据集中的题目id，与dataset字段结合可确定唯一题目。… See the full description on the dataset page: https://huggingface.co/datasets/Azure99/blossom-math-v2.blossom-math-v4
BLOSSOM MATH V4
介绍
Blossom Math V4是基于Math23K和GSM8K衍生而来的中英双语数学对话数据集，适用于数学问题微调。
相比于blossom-math-v3，本版本完全使用GPT-4进行蒸馏，大幅提升了推理的一致性。
本数据集采用全量Math23K、GSM8K和翻译后的GSM8K的问题，随后调用gpt-4-0125-preview生成结果，并使用原始数据集中的答案对生成的结果进行验证，过滤掉错误答案，很大程度上保证了问题和答案的准确性。
本次发布了全量数据的25%，包含10K记录。
语言
中文和英文
数据集结构
每条数据代表一个完整的题目及答案，包含id、input、output、answer、dataset四个字段。
id：字符串，代表原始数据集中的题目id，与dataset字段结合可确定唯一题目。
input：字符串，代表问题。
output：字符串，代表gpt-4-0125-preview生成的答案。
answer：字符串，代表正确答案。… See the full description on the dataset page: https://huggingface.co/datasets/Azure99/blossom-math-v4.NuminaMath-1.5-Pro
NuminaMath-1.5-Pro
Dataset Overview
NuminaMath-1.5-Pro targets post-training and verifiable reasoning scenarios. It applies strict filtering, judge-based consistency checks, and staged solution regeneration on top of the upstream NuminaMath-1.5 dataset.
All data processing and synthesis for this dataset is executed with the BlossomData framework, covering the full pipeline—loading, filtering, judging, generation, retry, and export—with an emphasis on reproducibility… See the full description on the dataset page: https://huggingface.co/datasets/Azure99/NuminaMath-1.5-Pro.blossom-orca-v3
BLOSSOM ORCA V3
介绍
Blossom Orca V3是一个基于OpenOrca衍生而来的中英双语指令数据集，适用于指令微调。
相比于blossom-wizard-v2，本版本完全使用GPT-4进行蒸馏。
本数据集从OpenOrca中抽取了系统提示和指令，首先将其翻译为中文并校验翻译结果，再使用指令调用gpt-4-0125-preview模型生成响应，并过滤掉包含自我认知以及拒绝回答的响应，以便后续对齐。此外，为了确保响应风格的一致性以及中英数据配比，本数据集还对未翻译的原始指令也进行了相同的调用，最终得到了1:1的中英双语指令数据。
相比直接对原始OpenOrca进行翻译的中文数据集，Blossom Orca的一致性及质量更高。
本次发布了全量数据的50%，包含中英双语各20K，共计40K记录。
语言
以中文和英文为主。
数据集结构
每条数据代表一个完整的对话，包含id和conversations两个字段。
id：从1递增。… See the full description on the dataset page: https://huggingface.co/datasets/Azure99/blossom-orca-v3.blossom-math-v1
BLOSSOM MATH V1
介绍
Blossom Math V3版本已发布！🤗
Blossom Math V1是基于Math23K衍生而来的中文数学对话数据集，适用于数学问题微调。
本数据集采用全量Math23K的问题，随后调用gpt-3.5-turbo-0613生成结果，并使用原始数据集中的答案对生成的结果进行验证，过滤掉错误答案，很大程度上保证了问题和答案的准确性。
本次发布了全量数据的50%，包含10K记录。
语言
中文
数据集结构
每条数据代表一个完整的题目及答案，包含id、input、output、answer四个字段。
id：字符串，代表Math23K中的题目id。
input：字符串，代表问题。
output：字符串，代表gpt-3.5-turbo-0613生成的答案。
answer：字符串，代表正确答案。
数据集限制
本数据集的所有响应均由gpt-3.5-turbo-0613生成，并经过初步校验，但仍可能包含不准确的回答。
blossom-orca-v1
BLOSSOM ORCA V1
介绍
Blossom Orca V2版本已发布！🤗
Blossom Orca V1是一个基于OpenOrca衍生而来的中英双语指令数据集，适用于指令微调。
本数据集从OpenOrca中抽取了系统提示和指令，首先将其翻译为中文并校验翻译结果，再使用指令调用gpt-3.5-turbo-0613模型生成响应，并过滤掉包含自我认知以及拒绝回答的响应，以便后续对齐。此外，为了确保响应风格的一致性以及中英数据配比，本数据集还对未翻译的原始指令也进行了相同的调用，最终得到了1:1的中英双语指令数据。
相比直接对原始OpenOrca进行翻译的中文数据集，Blossom Orca的一致性及质量更高。
本次发布了全量数据的30%，包含中英双语各100K，共计200K记录。
语言
以中文和英文为主。
数据集结构… See the full description on the dataset page: https://huggingface.co/datasets/Azure99/blossom-orca-v1.blossom-orca-v2
BLOSSOM ORCA V2
介绍
Blossom Orca V2是一个基于OpenOrca衍生而来的中英双语指令数据集，适用于指令微调。
相比于blossom-wizard-v1，指令不变，进一步优化了输出效果，此外，将system消息并入user消息中。
本数据集从OpenOrca中抽取了系统提示和指令，首先将其翻译为中文并校验翻译结果，再使用指令调用gpt-3.5-turbo-0613模型生成响应，并过滤掉包含自我认知以及拒绝回答的响应，以便后续对齐。此外，为了确保响应风格的一致性以及中英数据配比，本数据集还对未翻译的原始指令也进行了相同的调用，最终得到了1:1的中英双语指令数据。
相比直接对原始OpenOrca进行翻译的中文数据集，Blossom Orca的一致性及质量更高。
本次发布了全量数据的30%，包含中英双语各100K，共计200K记录。
语言
以中文和英文为主。
数据集结构… See the full description on the dataset page: https://huggingface.co/datasets/Azure99/blossom-orca-v2.Azure99_blossom-math-v4
BLOSSOM MATH V4
介绍
Blossom Math V4是基于Math23K和GSM8K衍生而来的中英双语数学对话数据集，适用于数学问题微调。
相比于blossom-math-v3，本版本完全使用GPT-4进行蒸馏，大幅提升了推理的一致性。
本数据集采用全量Math23K、GSM8K和翻译后的GSM8K的问题，随后调用gpt-4-0125-preview生成结果，并使用原始数据集中的答案对生成的结果进行验证，过滤掉错误答案，很大程度上保证了问题和答案的准确性。
本次发布了全量数据的25%，包含10K记录。
语言
中文和英文
数据集结构
每条数据代表一个完整的题目及答案，包含id、input、output、answer、dataset四个字段。
id：字符串，代表原始数据集中的题目id，与dataset字段结合可确定唯一题目。
input：字符串，代表问题。
output：字符串，代表gpt-4-0125-preview生成的答案。
answer：字符串，代表正确答案。… See the full description on the dataset page: https://huggingface.co/datasets/botp/Azure99_blossom-math-v4.blossom-v6-sft-stage1
BLOSSOM V6 SFT STAGE1
Introduction
BLOSSOM V6 SFT Stage1 is a high-quality, diverse large language model fine-tuning dataset designed for the first-stage SFT training of the Blossom V6 model. Its purpose is to help the model initially align dialogue capabilities through exposure to large-scale synthetic data.
While open-source large language models often release model weights and technical reports, the most advanced open-source models typically withhold their… See the full description on the dataset page: https://huggingface.co/datasets/Azure99/blossom-v6-sft-stage1.blossom-wizard-v2
BLOSSOM WIZARD V2
介绍
Blossom Wizard V2是一个基于WizardLM_evol_instruct_V2衍生而来的中英双语指令数据集，适用于指令微调。
相比于blossom-wizard-v1，指令不变，进一步优化了输出效果。
本数据集从WizardLM_evol_instruct_V2中抽取了指令，首先将其翻译为中文并校验翻译结果，再使用指令调用gpt-3.5-turbo-0613模型生成响应，并过滤掉包含自我认知以及拒绝回答的响应，以便后续对齐。此外，为了确保响应风格的一致性以及中英数据配比，本数据集还对未翻译的原始指令也进行了相同的调用，最终得到了1:1的中英双语指令数据。
相比直接对原始Wizard进行翻译的中文数据集，Blossom Wizard的一致性及质量更高。
本次发布了全量数据的30%，包含中英双语各50K，共计100K记录。
语言
以中文和英文为主。
数据集结构… See the full description on the dataset page: https://huggingface.co/datasets/Azure99/blossom-wizard-v2.blossom-math-v3
BLOSSOM MATH V3
介绍
Blossom Math V3是基于Math23K和GSM8K衍生而来的中英双语数学对话数据集，适用于数学问题微调。
相比于blossom-math-v2，进一步优化了数据处理流程，并强化答案检查。
本数据集采用全量Math23K、GSM8K和翻译后的GSM8K的问题，随后调用gpt-3.5-turbo-0613生成结果，并使用原始数据集中的答案对生成的结果进行验证，过滤掉错误答案，很大程度上保证了问题和答案的准确性。
本次发布了全量数据的25%，包含10K记录。
语言
中文和英文
数据集结构
每条数据代表一个完整的题目及答案，包含id、input、output、answer、dataset四个字段。
id：字符串，代表原始数据集中的题目id，与dataset字段结合可确定唯一题目。
input：字符串，代表问题。
output：字符串，代表gpt-3.5-turbo-0613生成的答案。
answer：字符串，代表正确答案。… See the full description on the dataset page: https://huggingface.co/datasets/Azure99/blossom-math-v3.blossom-chat-v1
BLOSSOM CHAT V1
介绍
Blossom Chat V1是基于ShareGPT 90K衍生而来的中英双语对话数据集，适用于多轮对话微调。
本数据集抽取了ShareGPT的多轮对话指令，仅将指令进行翻译，随后使用多轮指令迭代调用gpt-3.5-turbo-0613。
相比原始的ShareGPT数据，主要解决了中文对话数据量较少，以及由ChatGPT生成长度限制而导致的输出截断问题。
本次发布了全量数据的20%，包含30K记录。
语言
以中文和英文为主，中英文数据按照约5:1的比例混合。
数据集结构
每条数据代表一个完整的多轮对话，包含id和conversations两个字段。
id：字符串，代表原始ShareGPT的对话id，可以通过链接https://sharegpt.com/c/id来访问原始对话。… See the full description on the dataset page: https://huggingface.co/datasets/Azure99/blossom-chat-v1.blossom-wizard-v1
BLOSSOM WIZARD V1
介绍
Blossom Wizard V2版本已发布！🤗
Blossom Wizard V1是一个基于WizardLM_evol_instruct_V2衍生而来的中英双语指令数据集，适用于指令微调。
本数据集从WizardLM_evol_instruct_V2中抽取了指令，首先将其翻译为中文并校验翻译结果，再使用指令调用gpt-3.5-turbo-0613模型生成响应，并过滤掉包含自我认知以及拒绝回答的响应，以便后续对齐。此外，为了确保响应风格的一致性以及中英数据配比，本数据集还对未翻译的原始指令也进行了相同的调用，最终得到了1:1的中英双语指令数据。
相比直接对原始Wizard进行翻译的中文数据集，Blossom Wizard的一致性及质量更高。
本次发布了全量数据的30%，包含中英双语各50K，共计100K记录。
语言
以中文和英文为主。
数据集结构… See the full description on the dataset page: https://huggingface.co/datasets/Azure99/blossom-wizard-v1.blossom-chat-v3
BLOSSOM CHAT V3
介绍
Blossom Chat V3是基于ShareGPT 90K衍生而来的中英双语对话数据集，适用于多轮对话微调。
相比于blossom-chat-v2，本版本完全使用GPT-4进行蒸馏
本数据集抽取了ShareGPT的多轮对话指令，仅将指令进行翻译，随后使用多轮指令迭代调用gpt-4-0125-preview。
相比原始的ShareGPT数据，主要解决了中文对话数据量较少，以及由ChatGPT生成长度限制而导致的输出截断问题。
本次发布了全量数据的50%，包含5K记录。
语言
以中文和英文为主，中英文数据按照约1:1的比例混合。
数据集结构
每条数据代表一个完整的多轮对话，包含id和conversations两个字段。
id：从1递增。
conversations：对象数组，每个对象包含role、content两个字段，role的取值为user或assistant，分别代表用户输入和助手输出，content则为对应的内容。
数据集限制… See the full description on the dataset page: https://huggingface.co/datasets/Azure99/blossom-chat-v3.blossom-wizard-v3
BLOSSOM WIZARD V3
介绍
Blossom Wizard V3是一个基于WizardLM_evol_instruct_V2衍生而来的中英双语指令数据集，适用于指令微调。
相比于blossom-wizard-v2，本版本完全使用GPT-4进行蒸馏。
本数据集从WizardLM_evol_instruct_V2中抽取了指令，首先将其翻译为中文并校验翻译结果，再使用指令调用gpt-4-0125-preview模型生成响应，并过滤掉包含自我认知以及拒绝回答的响应，以便后续对齐。此外，为了确保响应风格的一致性以及中英数据配比，本数据集还对未翻译的原始指令也进行了相同的调用，最终得到了1:1的中英双语指令数据。
相比直接对原始Wizard进行翻译的中文数据集，Blossom Wizard的一致性及质量更高。
本次发布了全量数据的50%，包含中英双语各10K，共计20K记录。
语言
以中文和英文为主。
数据集结构
每条数据代表一个完整的对话，包含id和conversations两个字段。… See the full description on the dataset page: https://huggingface.co/datasets/Azure99/blossom-wizard-v3.blossom-v6.1-sft-stage2
BLOSSOM V6.1 SFT STAGE2
Introduction
BLOSSOM V6.1 SFT Stage2 is a high-quality, diverse large language model fine-tuning dataset designed for the second-stage SFT training of the Blossom V6.1 model. Its purpose is to further enhance the model's ability to handle complex instructions on more rare real-world problems.
While open-source large language models often release model weights and technical reports, the most advanced open-source models typically withhold their… See the full description on the dataset page: https://huggingface.co/datasets/Azure99/blossom-v6.1-sft-stage2.Azure99_blossom-wizard-v3
BLOSSOM WIZARD V3
介绍
Blossom Wizard V3是一个基于WizardLM_evol_instruct_V2衍生而来的中英双语指令数据集，适用于指令微调。
相比于blossom-wizard-v2，本版本完全使用GPT-4进行蒸馏。
本数据集从WizardLM_evol_instruct_V2中抽取了指令，首先将其翻译为中文并校验翻译结果，再使用指令调用gpt-4-0125-preview模型生成响应，并过滤掉包含自我认知以及拒绝回答的响应，以便后续对齐。此外，为了确保响应风格的一致性以及中英数据配比，本数据集还对未翻译的原始指令也进行了相同的调用，最终得到了1:1的中英双语指令数据。
相比直接对原始Wizard进行翻译的中文数据集，Blossom Wizard的一致性及质量更高。
本次发布了全量数据的50%，包含中英双语各10K，共计20K记录。
语言
以中文和英文为主。
数据集结构
每条数据代表一个完整的对话，包含id和conversations两个字段。… See the full description on the dataset page: https://huggingface.co/datasets/botp/Azure99_blossom-wizard-v3.blossom-v6-sft-stage2
BLOSSOM V6 SFT STAGE2
Introduction
BLOSSOM V6 SFT Stage2 is a high-quality, diverse large language model fine-tuning dataset designed for the second-stage SFT training of the Blossom V6 model. Its purpose is to further enhance the model's ability to handle complex instructions on more rare real-world problems.
While open-source large language models often release model weights and technical reports, the most advanced open-source models typically withhold their… See the full description on the dataset page: https://huggingface.co/datasets/Azure99/blossom-v6-sft-stage2.Azure99_blossom-orca-v3
BLOSSOM ORCA V3
介绍
Blossom Orca V3是一个基于OpenOrca衍生而来的中英双语指令数据集，适用于指令微调。
相比于blossom-wizard-v2，本版本完全使用GPT-4进行蒸馏。
本数据集从OpenOrca中抽取了系统提示和指令，首先将其翻译为中文并校验翻译结果，再使用指令调用gpt-4-0125-preview模型生成响应，并过滤掉包含自我认知以及拒绝回答的响应，以便后续对齐。此外，为了确保响应风格的一致性以及中英数据配比，本数据集还对未翻译的原始指令也进行了相同的调用，最终得到了1:1的中英双语指令数据。
相比直接对原始OpenOrca进行翻译的中文数据集，Blossom Orca的一致性及质量更高。
本次发布了全量数据的50%，包含中英双语各20K，共计40K记录。
语言
以中文和英文为主。
数据集结构
每条数据代表一个完整的对话，包含id和conversations两个字段。
id：从1递增。… See the full description on the dataset page: https://huggingface.co/datasets/botp/Azure99_blossom-orca-v3.blossom-v6.3-sft-stage1
BLOSSOM V6.3 SFT STAGE1
Introduction
BLOSSOM V6.3 SFT Stage1 is a high-quality, diverse large language model fine-tuning dataset designed for the first-stage SFT training of the Blossom V6.3 model. Its purpose is to help the model initially align dialogue capabilities through exposure to large-scale synthetic data.
While open-source large language models often release model weights and technical reports, the most advanced open-source models typically withhold their… See the full description on the dataset page: https://huggingface.co/datasets/Azure99/blossom-v6.3-sft-stage1.blossom-chat-v2
BLOSSOM CHAT V2
介绍
Blossom Chat V2是基于ShareGPT 90K衍生而来的中英双语对话数据集，适用于多轮对话微调。
相比于blossom-chat-v1，进一步优化了数据处理流程，并配平了中英语料。
本数据集抽取了ShareGPT的多轮对话指令，仅将指令进行翻译，随后使用多轮指令迭代调用gpt-3.5-turbo-0613。
相比原始的ShareGPT数据，主要解决了中文对话数据量较少，以及由ChatGPT生成长度限制而导致的输出截断问题。
本次发布了全量数据的20%，包含30K记录。
语言
以中文和英文为主，中英文数据按照约1:1的比例混合。
数据集结构
每条数据代表一个完整的多轮对话，包含id和conversations两个字段。
id：字符串，代表原始ShareGPT的对话id，可以通过链接https://sharegpt.com/c/id来访问原始对话。… See the full description on the dataset page: https://huggingface.co/datasets/Azure99/blossom-chat-v2.Azure99_blossom-chat-v3
BLOSSOM CHAT V3
介绍
Blossom Chat V3是基于ShareGPT 90K衍生而来的中英双语对话数据集，适用于多轮对话微调。
相比于blossom-chat-v2，本版本完全使用GPT-4进行蒸馏
本数据集抽取了ShareGPT的多轮对话指令，仅将指令进行翻译，随后使用多轮指令迭代调用gpt-4-0125-preview。
相比原始的ShareGPT数据，主要解决了中文对话数据量较少，以及由ChatGPT生成长度限制而导致的输出截断问题。
本次发布了全量数据的50%，包含5K记录。
语言
以中文和英文为主，中英文数据按照约1:1的比例混合。
数据集结构
每条数据代表一个完整的多轮对话，包含id和conversations两个字段。
id：从1递增。
conversations：对象数组，每个对象包含role、content两个字段，role的取值为user或assistant，分别代表用户输入和助手输出，content则为对应的内容。
数据集限制… See the full description on the dataset page: https://huggingface.co/datasets/botp/Azure99_blossom-chat-v3.blossom-v6.2-sft-stage2
BLOSSOM V6.2 SFT STAGE2
Introduction
BLOSSOM V6.2 SFT Stage2 is a high-quality, diverse large language model fine-tuning dataset designed for the second-stage SFT training of the Blossom V6.2 model. Its purpose is to further enhance the model's ability to handle complex instructions on more rare real-world problems.
While open-source large language models often release model weights and technical reports, the most advanced open-source models typically withhold their… See the full description on the dataset page: https://huggingface.co/datasets/Azure99/blossom-v6.2-sft-stage2.azure-advisor-sft
Azure Advisor SFT Dataset
Supervised fine-tuning dataset for training language models to generate Azure Advisor-style recommendations.
Dataset Description
This dataset contains 410 synthetic examples (348 train / 41 eval / 21 held-out) designed to teach a model to analyze Azure workload configurations and produce structured recommendations across all 5 Azure Advisor categories.
Categories Covered
Cost - Right-sizing VMs, reserved instances, unused resources… See the full description on the dataset page: https://huggingface.co/datasets/thegovind/azure-advisor-sft.azure-advisor-grpo-benchmark
Azure Advisor GRPO Benchmark Dataset
Evaluation benchmark for measuring the quality of Azure Advisor recommendation generation, used for GRPO (Group Relative Policy Optimization) training and model evaluation.
Dataset Description
This dataset contains 106 evaluation examples with ground truth labels, designed to score model outputs across 5 reward dimensions.
Purpose
During GRPO training: Score generated recommendations to select high-reward samples
Model… See the full description on the dataset page: https://huggingface.co/datasets/thegovind/azure-advisor-grpo-benchmark.blossom-v6.1-sft-stage1
BLOSSOM V6.1 SFT STAGE1
Introduction
BLOSSOM V6.1 SFT Stage1 is a high-quality, diverse large language model fine-tuning dataset designed for the first-stage SFT training of the Blossom V6.1 model. Its purpose is to help the model initially align dialogue capabilities through exposure to large-scale synthetic data.
While open-source large language models often release model weights and technical reports, the most advanced open-source models typically withhold their… See the full description on the dataset page: https://huggingface.co/datasets/Azure99/blossom-v6.1-sft-stage1.blossom-v6.2-sft-stage1
BLOSSOM V6.2 SFT STAGE1
Introduction
BLOSSOM V6.2 SFT Stage1 is a high-quality, diverse large language model fine-tuning dataset designed for the first-stage SFT training of the Blossom V6.2 model. Its purpose is to help the model initially align dialogue capabilities through exposure to large-scale synthetic data.
While open-source large language models often release model weights and technical reports, the most advanced open-source models typically withhold their… See the full description on the dataset page: https://huggingface.co/datasets/Azure99/blossom-v6.2-sft-stage1.blossom-v6.3-sft-stage2
BLOSSOM V6.3 SFT STAGE2
Introduction
BLOSSOM V6.3 SFT Stage2 is a high-quality, diverse large language model fine-tuning dataset designed for the second-stage SFT training of the Blossom V6.3 model. Its purpose is to further enhance the model's ability to handle complex instructions on more rare real-world problems.
While open-source large language models often release model weights and technical reports, the most advanced open-source models typically withhold their… See the full description on the dataset page: https://huggingface.co/datasets/Azure99/blossom-v6.3-sft-stage2.