大模型数据样本目录

这个目录不是生产数据，而是为了帮助初学者理解“大模型数据到底长什么样”而准备的最小示例。

包含：

  • 00-raw-corpus.jsonl 原始文本样本，带噪声和脏内容
  • 01-cleaned-corpus.jsonl 清洗后的训练文本样本
  • 02-sft-messages.jsonl 指令微调 / 聊天数据样本
  • 03-preference-dpo.jsonl 偏好数据样本
  • 04-eval-set.jsonl 评测集样本
  • 05-rag-documents.jsonl RAG 文档样本
  • 06-dataset-card.yaml 数据集说明卡和元数据示例

建议配合根目录的：

一起阅读。