LLaMA-Factory-Mirror/data/README_zh.md

如果您使用自定义数据集，请务必在 dataset_info.json 文件中按照以下格式提供数据集定义。

"数据集名称": {
  "hf_hub_url": "Hugging Face 上的项目地址", // 若指定，则忽略下列三个参数
  "script_url": "包含数据加载脚本的本地文件夹名称", // 若指定，则忽略下列两个参数
  "file_name": "该目录下数据集文件的名称", // 若上述参数未指定，则此项必需
  "file_sha1": "数据集文件的SHA-1哈希值", // 可选，留空不影响训练
  "subset": "数据集子集的名称", // 可选，默认：None
  "ranking": "是否为偏好数据集", // 可选，默认：False
  "formatting": "数据集格式", // 可选，默认：alpaca，可以为 alpaca 或 sharegpt
  "columns": { // 可选
    "prompt": "数据集代表提示词的表头名称", // 默认：instruction（alpaca 格式）
    "query": "数据集代表请求的表头名称", // 默认：input（alpaca 格式）
    "response": "数据集代表回答的表头名称", // 默认：output（alpaca 格式）
    "history": "数据集代表历史对话的表头名称", // 默认：None（alpaca 格式）
    "messages": "数据集代表消息列表的表头名称", // 默认：conversations（sharegpt 格式）
    "role": "消息中代表发送者身份的键名", // 默认：from（sharegpt 格式）
    "content": "消息中代表文本内容的键名" // 默认：value（sharegpt 格式）
  }
}

添加后可通过指定 --dataset 数据集名称 参数使用自定义数据集。

该项目目前支持两种格式的数据集：alpaca 和 sharegpt，其中 alpaca 格式的数据集按照以下方式组织：

[
  {
    "instruction": "用户指令", // 必填
    "input": "用户输入", // 选填
    "output": "模型回答", // 必填
    "history": [ // 选填
      ["第一轮指令", "第一轮回答"],
      ["第二轮指令", "第二轮回答"]
    ]
  }
]

对于上述格式的数据，定义中的 columns 应当为：

"数据集名称": {
  "columns": {
    "prompt": "instruction",
    "query": "input",
    "response": "output",
    "history": "history"
  }
}

其中 prompt 和 response 列应当是非空的字符串，分别代表用户指令和模型回答。query 列的内容将会和 prompt 列拼接作为模型输入。

history 列是由多个字符串二元组构成的列表，分别代表历史消息中每轮的指令和回答。每轮的模型回答均会被用于训练。

对于预训练数据集，仅 prompt 列中的内容会用于模型训练。

对于偏好数据集，response 列应当是一个长度为 2 的字符串列表，排在前面的代表更优的回答，例如：

{
  "instruction": "用户指令",
  "input": "用户输入",
  "output": [
    "优质回答",
    "劣质回答"
  ]
}

而 sharegpt 格式的数据集按照以下方式组织：

[
  {
    "conversations": [ // 必填
      [
        {
          "from": "human",
          "value": "用户指令"
        },
        {
          "from": "gpt",
          "value": "模型回答"
        }
      ] // 长度必须为 2 的倍数且符合 u/a/u/a/u/a 顺序
    ]
  }
]

对于上述格式的数据，定义中的 columns 应当为：

"数据集名称": {
  "columns": {
    "messages": "conversations",
    "role": "from",
    "content": "value"
  }
}

预训练数据集和偏好数据集尚不支持 sharegpt 格式。