开年巨献｜OpenCSG携UltraFeedback中文数据集强势来袭

OpenCSG

已于 2025-01-17 20:54:43 修改

阅读量1k

点赞数 15

CC 4.0 BY-SA版权

文章标签：数据开源人工智能

于 2025-01-17 20:53:50 首次发布

本文链接：https://blog.youkuaiyun.com/OpenCSG/article/details/145214550

01 背景

近年来，人工智能，特别是自然语言处理（NLP）领域正经历前所未有的飞跃，其影响正深刻地重塑全球产业格局。其中，语言模型凭借其在智能客服、内容生成、自动翻译和智能搜索等领域的广泛应用，已然成为推动技术进步的关键引擎。而预训练模型，作为NLP技术的核心基石，通过海量数据的训练，积累了强大的知识储备，不断突破技术边界。然而，预训练模型的效能高度依赖于高质量的数据集，尤其在中文NLP领域，数据质量的挑战更为突出。尽管英文预训练数据集资源丰富，但中文领域却面临大规模、高质量数据集匮乏的困境，这无疑制约了中文NLP技术的进一步发展，特别是在教育、智能搜索等关键领域，高质量的数据集需求尤为迫切。这不仅是挑战，更是机遇，预示着中文NLP领域蕴藏着巨大的发展潜力。

2024年，OpenCSG 社区开源了 Chinese Fineweb Edu、Chinese Smoltalk 和 Chinese Cosmopedia 等一系列高质量中文数据集，这为全球开源社区注入了宝贵的资源。凭借这些杰出的成果和开放的共享理念，OpenCSG 在全球范围内赢得了广泛的赞誉和高度的认可，彰显了其在开源领域的领先地位。

针对中文NLP领域高质量数据集的迫切需求，OpenCSG社区近年来投入巨资，致力于打造顶尖中文预训练数据集。2025年伊始，社区隆重推出UltraFeedback-Chinese数据集，这款数据集以其规模宏大、粒度精细、类型多样等特性脱颖而出，专为奖励模型和批评模型的训练量身定制，并能完美支持PPO和DPO等先进训练方法。UltraFeedback-Chinese不仅借鉴了国际领先的数据集构建经验，更采用了与UltraFeedback相同的方法，从而确保了其在中文NLP训练中的有效性和实用性。该数据集的推出，标志着中文NLP领域在数据资源建设上迈出了关键一步。

UltraFeedback-Chinese 的推出，不仅填补了中文预训练数据集的空白，也为中文NLP技术的进步提供了强有力的支持，特别是在提升模型对复杂语言处理的能力方面显示出显著的优势。OpenCSG团队将继续依据用户反馈和技术发展的需要，不断完善和扩充UltraFeedback-Chinese数据集，致力于为全球中文NLP社区提供更加丰富和高质量的数据资源。

02 UltraFeedback数据集介绍

UltraFeedback 是一个大规模、细粒度且多样化的偏好数据集，专为训练强大的奖励模型和评价模型而设计。该数据集收集了约64,000条来自多种资源（包括 UltraChat、ShareGPT、Evol-Instruct、TruthfulQA、FalseQA 和 FLAN）的提示语，并利用这些提示查询多个大型语言模型，为每个提示生成四种不同的响应，共产生256,000个样本。为了收集高质量的偏好数据和文本反馈，设计了一套详细的注释指南，涵盖了指令遵循、真实性、诚实性和有用性四个方面。通过这些细致的指导，GPT-4对收集的样本进行注释，确保了数据的质量和实用性。

03 UltraFeedback Chinese数据集介绍

UltraFeedback-Chinese 是根据UltraFeedback数据集的构建方法制定的中文版本，专为训练强大的奖励模型和批评模型而设计。该数据集支持PPO（Proximal Policy Optimization）和DPO（Direct Preference Optimization）两种训练方式。UltraFeedback-Chinese 在数据格式上与原始的UltraFeedback保持一致，同样包含对指令遵循、真实性、诚实性和有用性这四个方面的细致评分，评分由深度学习模型deepseek-v3生成。

UltraFeedback-Chinese 数据集从多种资源收集了约58,000个中文指令，包括但不限于 smoltalk-chinese, silk-road/Wizard-LM-Chinese-instruct-evol, shareAI/ShareGPT-Chinese-English-90k, wenbopan/Chinese-dpo-pairs, 和 Maxlinn/TruthfulQA_zh。这些数据不仅覆盖了广泛的主题和任务类型，而且通过精心设计的生成模型和反馈机制，提供了高质量和多样性的文本样本。

为确保数据集的质量和适用性，每个指令均由多个先进的模型生成多个响应，并通过系统的提示加以指导，强调指令遵循、真实性、诚实性和有用性等关键维度。此外，通过对响应进行细致的评分和筛选，构建了适用于DPO训练的UltraFeedback-Chinese-binarized版本，进一步提升了模型训练的效率和效果。

下载地址：

OpenCSG社区：https://opencsg.com/datasets/MagicAI/UltraFeedback-chinese

huggingface社区：https://huggingface.co/datasets/opencsg/UltraFeedback-chinese

数据收集与模型响应

我们从多个中文资源库中收集了约58k条中文指令，涵盖了以下数据集：

源数据集	数量
smoltalk-chinese	25935
silk-road/Wizard-LM-Chinese-instruct-evol	12468
shareAI/ShareGPT-Chinese-English-90k	11259
wenbopan/Chinese-dpo-pairs	7753
Maxlinn/TruthfulQA_zh	805

对于每个instruction，我们从以下9个模型中，随机抽取4个，生成4个response。同时，每次生成response时，会随机选取一种 system prompt，用于强调 instruction-following, truthfulness, honesty, helpfulness 这4个方面中的某个方面：

deepseek-v3
gpt-4o-mini
qwen2.5-72b-instruct
qwen2-7b-instruct
qwen2.5-1.5b-instruct
phi3.5-mini-instruct
Llama3.1-8B-Chinese-Chat
mistral-v0.1-instruct-chinese
glm-4-9b-chat

数据集变体：UltraFeedback-Chinese-Binarized

UltraFeedback-Chinese-Binarized 是从 UltraFeedback-Chinese 转化而来的版本，专为DPO训练优化。通过设定权重 {instruction-following: 0.2, truthfulness: 0.2, honesty: 0.2, helpfulness: 0.4} 对每个响应的分数进行加权，以计算得到每个响应的综合评分（overall score）。在此基础上，我们从每条样本的四个响应中选出得分最高的作为chosen response，随机选取一个作为rejected response，以此构建适用于DPO训练的数据集。

实验

我们利用 UltraFeedback-Chinese-Binarized 及其他中文DPO数据集对在 fineweb-edu-chinese 上预训练后，在 smoltalk-chinese 上进行指令微调的2b模型进行DPO训练。训练过程包括2个训练周期，采用5e-6的cosine学习率衰减，global batch size设定为128。训练完成后，在AlighBench平台上评估了该模型的中文对话能力，结果显示UltraFeedback-Chinese在提升模型综合性能方面表现出色。

评估结果

训练结束后，我们在 AlighBench 上评估了其中文对话能力，结果如下。结果表明，ultrafeedback-chinese 对模型综合能力的提升高于其他DPO数据集。其中，ultrafeedback-chinese-binarized-lowest 的效果优于 ultrafeedback-chinese-binarized。可能的原因是：在 ultrafeedback-chinese-binarized 中，可能存在分数较为接近的chosen和rejected response，带来了噪声；而在 ultrafeedback-chinese-binarized-lowest 中，正负样本的差距则更明显。