JohnTdi/polish-llm-sft-en

这是一个英语子集的数据集，旨在帮助各种大型语言模型学习和提升波兰语能力。数据集包含4,884个样本，采用JSON格式，涵盖数学应用题、多领域多选题、阅读理解多选题和链式推理等类别，每个样本由用户和助手消息对组成。数据质量分为三个等级：q10为手工编写并验证，q9为合成生成且准确率约95%，q8为存在小问题。合成数据可能包含事实错误，q8文件比q10文件有更高的幻觉风险。

许可证：Apache 2.0
语言：
- 英语
任务类别：
- 文本生成
- 问答
- 多项选择
标签：
- 英语
- 监督微调（Supervised Fine-Tuning，SFT）
- 指令微调
- 多项选择题（Multiple-Choice Question，MCQ）
- 推理
- 数学
- 代码
样本规模：
- 1K<n<10K

# 波兰语大语言模型（Large Language Model，LLM）监督微调数据集——英语子集

**英文说明** | 本数据集为辅助各类大语言模型学习并提升波兰语能力而构建的英语子集，配套[波兰语版本仓库](https://huggingface.co/datasets/JohnTdi/polish-llm-sft-pl)。

**波兰语说明** | 本数据集为辅助各类大语言模型学习并提升波兰语能力而构建的英语子集，配套[波兰语版本仓库](https://huggingface.co/datasets/JohnTdi/polish-llm-sft-pl)。

共计4884条样本 · 许可证：Apache 2.0 · 语言：英语

---

## 数据格式

json
{"messages": [
{"role": "user", "content": "..."},
{"role": "assistant", "content": "..."}
]}

---

## 数据集结构

| 目录 | 描述 | 样本数 |
|:---|:---|---:|
| `math/` | 数学应用题 | 267 |
| `mcq_general/` | 多领域多项选择题 | 1937 |
| `mcq_rc/` | 阅读理解类多项选择题 | 75 |
| `reasoning/` | 思维链推理 | 2605 |

---

## 质量评级标准

| 评级分数 | 含义 |
|:---:|:---|
| q10 | 由Claude Opus 4.7手写生成并经过验证 |
| q9 | 合成生成，准确率约95% |
| q8 | 数据质量良好，仅存在少量小问题 |

评级信息编码于文件名中，命名格式为`*_q10_*`、`*_q9_*`、`*_q8_*`。

---

## 注意事项

合成数据可能包含事实性错误。`*_q8_*`文件相比`*_q10_*`文件存在更高的幻觉生成风险。

---

## 许可证

Apache 2.0