<학습 데이터 구축>
kyujinpy 님이 공개하신 KOR-OpenOrca-Platypus 데이터를 일부 삭제(샘플링) 및 정제 작업 진행하여 활용.
그 이후 해당 데이터들을 보며 관련 태스크를 추출하였고 이를 기반으로
해당 태스크에 맞춰서 NLP 관련 오픈소스 데이터를 활용하여 학습데이터를 자체적으로
역사, 과학, 수학, 기계독해, 리뷰 분석 문제를 gpt를 통해서 구축하였고,
aihub 일반상식 및 기계독해 데이터를 활용하여 추가로 학습 데이터를 구축(형태소 관련, 기계독해 관련 및 요약)
각종 블로그에서 역사 및 상식 퀴즈를 사람이 직접 학습데이터 형태로 변경
AI2AI Challenge 데이터 형태를 보고 gpt를 통해 초등 수준의 과학 수학 문제 유형을 제작 500문제
영어 번역 데이터 영한/한영 데이터 학습 데이터로 활용 진행
총 데이터 4만개 정도 사용하였습니다.
TruthfulQA 관련 문제 추가를 진행하였습니다.(속설 관련 참거짓 문제)
기계독해 관련 학습 데이터를 ChatGPT를 통해서 답변을 얻어 학습
문법관련 학습 데이터
DPO 데이터셋
ko-HH-RLHF 데이터의 chosen 데이터를 gpt-3.5-turbo를 통해 재 생성하여 학습에 활용하였습니다.
또한 TruthfulQA 데이터 약 1200건은 자체 제작하였습니다.
###학습 데이터 파일은 비공개입니다.
<모델>
42dot에서 공개한 42dot_LLM-SFT-1.3B을 베이스 모델로 하여 학습 진행하였습니다.
