McGill NLP Group发布llm2vec-gen-tulu数据集,应用在自然语言生成、大型语言模型领域

McGill NLP Group本次发布的数据集llm2vec-gen-tulu,LLM2Vec-Gen数据集基于Tulu-3 SFT数据生成，旨在为训练LLM2Vec-Gen模型提供目标输出响应。数据集包含多个分片，每个分片对应由不同大型语言模型（如Qwen3-4B、Llama_32_1B_Instruct等）生成的响应。原始Tulu-3响应保存在original分片中。每个数据实例包含三个字段：id（原始ID）、question（原始查询）和answer（由特定模型生成的文本）。数据集总规模为21,105,463,124字节，包含806,413个示例，适用于自然语言生成任务和模型训练。

查看llm2vec-gen-tulu

Dataset card内容：

Files and versions内容：

关于McGill NLP Group,麦吉尔自然语言处理小组（McGill-NLP）是专注于计算语言学和自然语言处理研究的学术团队。

关于HuggingFace,Hugging Face是一个机器学习社区协作平台，专注于模型、数据集和应用程序的创建、发现和协作。该平台支持多种数据类型，包括文本、图像、视频、音频和3D数据，并提供开源工具和付费计算及企业解决方案。