使用数据工程构建NLP大模型数据集
NLP大模型支持接入的数据集类型
盘古NLP大模型仅支持接入文本类数据集，数据集文件内容包括：预训练文本、单轮问答、多轮问答、带人设单轮问答、带人设多轮问答、偏好问答等，同时新增了Reasoner模型，Reasoner模型是一种基于逻辑推理或知识推理的AI模型。不同训练方式所需要使用的数据见表1，该数据集格式要求请参见文本类数据集格式要求。
|
基模型 |
训练场景 |
数据集类型 |
数据集内容 |
格式 |
文件格式 |
|---|---|---|---|---|---|
|
NLP |
预训练 |
文本 |
预训练文本 |
NA |
jsonl |
|
微调（快思考模型） |
文本 |
单轮问答 |
盘古格式-非思维链 |
jsonl、csv |
|
|
文本 |
多轮问答 |
盘古格式-非思维链 |
jsonl |
||
|
文本 |
单轮问答（人设） |
盘古格式-非思维链 |
jsonl、csv |
||
|
文本 |
多轮问答（人设） |
盘古格式-非思维链 |
jsonl |
||
|
微调（慢思考模型） |
文本 |
单轮问答 |
盘古格式-思维链 |
jsonl、csv |
|
|
文本 |
多轮问答 |
盘古格式-思维链 |
jsonl |
||
|
文本 |
单轮问答（人设） |
盘古格式-思维链 |
jsonl、csv |
||
|
文本 |
多轮问答（人设） |
盘古格式-思维链 |
jsonl |
||
|
强化学习-RFT（快思考模型） |
文本 |
单轮问答 |
盘古格式-非思维链 |
jsonl |
|
|
强化学习-DPO（快思考模型） |
文本 |
偏好优化DPO |
盘古格式-非思维链 |
jsonl |
训练NLP大模型所需数据量
使用数据工程构建盘古NLP大模型数据集进行模型训练时，所需数据量见表2。
评测NLP大模型所需数据量
要求所有文本大小最大不超过100MB，目录下文件数量最多不超过100个。数据条数范围为：3-1000条。
构建NLP大模型数据集流程
在ModelArts Studio大模型开发平台中，使用数据工程构建盘古NLP大模型数据集流程见表3。
|
流程 |
子流程 |
说明 |
操作指导 |
|---|---|---|---|
|
导入数据至盘古平台 |
创建导入任务 |
将存储在OBS服务中的数据导入至平台统一管理，用于后续加工或发布操作。慢思考模型的数据相比快思考模型的数据新增了思考部分的内容。例如对于单轮对话微调数据：快思考一条数据样例的格式：{"context":["XX"], "target":"答案"}，慢思考模型的数据样例：{"context":["XX"], "target":"<think>xx</think> 答案"} |
|
|
加工文本类数据集 |
加工文本类数据集 |
通过专用的加工算子对数据进行预处理，确保数据符合模型训练的标准和业务需求。不同类型的数据集使用专门设计的算子，例如去除噪声、冗余信息等，提升数据质量。 |
|
|
合成文本类数据集 |
利用预置或自定义的数据指令对原始数据进行处理，并根据设定的轮数生成新数据。该过程能够在一定程度上扩展数据集，增强训练模型的多样性和泛化能力。 |
||
|
标注文本类数据集 |
为无标签数据集添加准确的标签，确保模型训练所需的高质量数据。平台支持人工标注和AI预标注两种方式，用户可根据需求选择合适的标注方式。数据标注的质量直接影响模型的训练效果和精度。 |
||
|
配比文本类数据集 |
数据配比是将多个数据集按特定比例组合的过程。通过合理的配比，确保数据集的多样性、平衡性和代表性，避免因数据分布不均而引发的问题。 |
||
|
发布文本类数据集 |
评估文本类数据集 |
平台预置了多种数据类型的基础评估标准，包括NLP、视频和图片数据，用户可根据需求选择预置标准或自定义评估标准，从而精确优化数据质量，确保数据满足高标准，提升模型性能。 |
|
|
发布文本类数据集 |
发布流程是将单个数据集发布为特定格式的“发布数据集”，用于后续模型训练等操作。 平台支持发布的数据集格式为标准格式、盘古格式。为适配不同盘古模型的数据规范，文本类型-单轮问答、单轮问答（带人设）、多轮问答、多轮问答（带人设）、DPO、DPO（带人设）发布时需选择盘古格式-非思维链或盘古格式-思维链进行发布。
|
