shuying3/

my-sft-dataset

	中文大模型训练入门 SFT 数据集




	


	数据集简介

本数据集面向中文大模型初学者，覆盖 NLP、Transformer、预训练语言模型、 大语言模型、模型搭建、训练流程和应用。数据由 Easy-Dataset 基于 Datawhale Happy-LLM 核心教程生成， 并使用 DeepSeek 完成回答生成和质量评估。

	数据集统计




	

指标 数值

源文档 9 份

文本块 170 个

原始问答 1,114 条

审核通过 1,073 条

审核拒绝 41 条

审核保留率 96.3%

平均问题长度 31 字

平均答案长度 198 字

主题分布：

主题 数据量

动手搭建大模型 344

大模型训练流程实践 166

预训练语言模型 134

Transformer 架构 132

大模型应用 121

大语言模型 110

NLP 基础概念 50

前言与环境准备 16