open-korean-instructions
Open Korean Instructions는 언어모델을 학습하기 위한 공개 한국어 instruction dataset들을 모아둔 저장소입니다.
이 외에도 번역하거나 GPT를 이용해서 생성한 다양한 데이터들이 존재합니다. 혹시 새로운 데이터가 있다면 PR로 알려주세요.
공개 데이터를 포멧을 통일하고 병합한 데이터
| 이름 | # | 데이터 |
|---|---|---|
| open-korean-instructions | 376K | KoAlpaca v1.0과 v1.1, ShareGPT DeepL 번역, OIG-smallchip2-ko, KorQuAD-chat |
| AULM-0809 | 171K | KoAlpaca v1.1, ShareGPT-74k-ko의 코드제거 버전, KorQuAD-chat, evolve-instruct, KoInstruct-QA, ko-lima-vicuna-kullm-v2의 GPT4ALL, Dolly 데이터 |
공개 데이터를 이용해서 직접 학습한 모델 모음
공개된 데이터 정리
| 이름 | # | 타입 | 내용 |
|---|---|---|---|
| KoAlpaca v1.0 | 52K | 싱글턴 | Alpaca instruction 번역 후 output을 ChatGPT로 생성 |
| KoAlpaca v1.1 | 21K | 싱글턴 | 지식인 질문 수집 후 ChatGPT로 대답 생성 |
| ShareGPT DeepL 번역 | 620K(싱글턴) 84K(멀티턴) |
멀티턴, 싱글턴 | ShareGPT 데이터를 DeepL로 번역 |
| ShareGPT-74k-ko | 74k, 55k(코드제거) | 멀티턴 | ShareGPT 90k의 cleaned 버전을 구글 번역기를 이용하여 번역 |
| KoChatGPT 실습 | 13K | 싱글턴, 멀티턴, RM | 한국어 질문 데이터셋에서 질문 수집 후 ChatGPT로 대답 생성 |
| OIG-small-chip2-ko | 210K | 싱글턴 | LAION AI의 OIG-smallchip-2 영어 데이터 Google Translate으로 번역 |
| Korquad-Chat | 9.6K | 멀티턴, 지식기반 | KorQuAD v1 데이터의 context(뉴스, 위키백과의 문단)을 주고, 관련 내용의 대화를 ChatGPT로 생성 |
| AIRC-KETI/kowow | ? | 멀티턴, 지식기반 | WoW(Wizard Of Wikipedia) - 지식기반 대화 데이터를 번역한 데이터 |
| CounselGPT | 싱글턴(13k) 멀티턴(8.7k) |
멀티턴, 싱글턴 | GPT로 생성한 상담 데이터 |
| Evolve-instruct | 37k | 싱글턴 | WizardLM에서 사용된 evol-instruct를 이용하여 instruction을 증강한 후 GP로 답변 생성한 데이터 |
| KULLM v2 | 153k | 싱글턴 | GPT4ALL, Dolly, Vicuna(ShareGPT) 데이터를 DeepL로 번역 |
| nlpai-lab/openassistant-guanaco-ko | 9.85k | 멀티턴 | Korean translation of Guanaco via the DeepL API |
| psymon/namuwiki_alpaca_dataset | 79K | 싱글턴 | 나무위키 덤프 파일을 Stanford Alpaca 학습에 맞게 수정한 데이터셋 |
| changpt/ko-lima-vicuna | 1k | 싱글턴, 멀티턴(극히 일부) | GPT4 API를 사용하여 lima_vicuna_format 데이터를 한국어로 재생성한 데이터셋 |
| taeshahn/ko-lima | 1k | 싱글턴, 멀티턴(극히 일부) | LIMA: Less Is More for Alignment (Zhou et al., 2023)의 학습 데이터를 한국어로 번역한 데이터셋 |
| Ko-StrategyQA | 2.2k(질문), 9k (문서) | Multi-hop QA, 예/아니오 단답형 | 이 데이터셋은 StrategyQA의 한국어 버전입니다. 기존 데이터셋의 모든 질문과 단락들을 DeepL을 사용하여 번역. |
| HAERAE-HUB/KoInstruct-Base | 52k | 싱글턴 | Alpaca 데이터 번역인 듯 함. |
| HAERAE-HUB/KoInstruct-QA | 50.3k | 싱글턴 | 원본 데이터가 뭔지 모르겠음. 위 데이터중에 중복이 있을 수도 있음. |
| kyujinpy/KOpen-platypus | 24.9k | 싱글턴 | garage-bAInd/Open-Platypus 데이터 번역 |
| ziozzang/EverythingLM-data-V2-Ko | 1k | 싱글턴 | EverythingLM-data-V2를 DeepL로 번역 |
| human-rights-corpus/HRC/ | 1.5k | 싱글턴 | 대화형 생성 모델을 위한 인권코퍼스 구축 - 대한민국 국가인권위원회의 결정례와 상담사례 참조, 문체 변경과 질의 응답으로 변경하기 위해서 전후 맥락을 고려한 예시문을 만들고 GPT-3.5-turbo 을 이용하여 원샷 학습후 문답 생성 |
| kyujinpy/OpenOrca-KO | 21.6k | 싱글턴 | OpenOrca dataset 중 약 2만개를 sampling하여 번역한 데이터셋 |
| kyujinpy/KoCoT_2000 | 2.16k | 싱글턴 | Using DeepL dataset, translation about kaist-CoT. |
| RLHF-Korean-Friendly-LLM | 2.4K(SFT), 3.8K(RM), 3.6K(RLHF) | 싱글턴 | 다양한 데이터를 수집하여 RLHF를 위한 천개 단위의 데이터셋 구축 |
| jojo0217/korean_rlhf_dataset | 107k | 싱글턴 | 성균관대학교 산학협력프로젝트 과정에서 한국어 llm 모델 SFT 학습을 위해 구축한 데이터셋 입니다. |
| maywell/ko_hh-rlhf-20k_filtered | 20k | 멀티턴, RM | hh-rlhf 데이터셋 중 20k를 synatra-translation 모델로 번역 |
| squarelike/OpenOrca-gugugo-ko | 640k + (번역중) | 싱글턴 | Gugugo-koen-7B-V1.1을 이용하여 OpenOrca데이터셋을 번역 중 |
| maywell/ko_Ultrafeedback_binarized | 62k (RM) | 싱글턴 | Synatra-7B-Translation 모델을 통해 Ultrafeedback_binarized를 번역하고 정제한 데이터셋입니다. |
| MrBananaHuman/kor_ethical_question_answer | 29.1k | 싱글턴 | RLHF 학습을 위한 AI 윤리적/비윤리적 질의-답변 데이터셋 |
| HumanF-MarkrAI/WIKI_QA_Near_dedup | 138k | 싱글턴 | maywell(Jeonghwan Park)께서 만드신 maywell/wikidata_QA 에서 deduplication한 QA 데이터 |
평가용 데이터셋
| 이름 | # | 타입 | 내용 |
|---|---|---|---|
| HAETAE-project/HAE-RAE-BENCH | 1.5k | ? | HAE-RAE Bench는 언어 모델의 한국어 능력(어휘, 역사, 상식, 독해)을 평가하기 위해 제작된 벤치마크 데이터셋입니다. |
| HAERAE-HUB/CSAT-QA | 0.9k | 싱글턴, 객관식 | 국어 수능문제 |
그 외 instruction은 아니지만..
데이터 생성 코드
일부 데이터는 번역되거나 ChatGPT를 통해 생성했습니다.
src/에 있는 코드를 이용하여 데이터를 생성할 수 있습니다.
Translate API를 이용하여 번역
python translate.py --max-items 10000 --batch-size 8 oig-smallchip2 ../data/oig-smallchip2.jsonl
# google은 비싸요 ㅠ. 기본 chatgpt
python translate.py --max-items 10000 --batch-size 8 --translator google oig-smallchip2 ../data/oig-smallchip2.jsonlChatGPT로 지식기반대화 생성
python generate_kg_dialogue.py --max-items 10000 --batch-size 1 --num_process 4 korquad-v1 ../data/korquad-chat.jsonl주의사항
- 서로를 A씨, B씨로 호칭합니다. 추후 전처리가 필요합니다.
- 할루시네이션이 있을 수 있습니다. 최대한 없애고자 주어진 정보 내에서만 대화하도록 프롬프트를 구성했습니다.