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.
| 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 |
| kaist-ai/Multilingual-CoT-Collection | 77.2k | 싱글턴 | KAIST에서 공개한 다국어 CoT collection, 한국어 77.2k 포함 |
| heegyu/PKU-SafeRLHF-ko | 164k(RM) | 싱글턴 | PKU-Alignment/PKU-SafeRLHF 데이터 번역 중 |
| heegyu/hh-rlhf-ko | 113k(RM) | 멀티턴 | Anthropic/hh-rlhf 데이터 번역 중 |
| heegyu/webgpt_comparisons_ko | 19.6k(RM) | 싱글턴 | openai/webgpt_comparisons를 모델로 번역 |
| heegyu/glaive-function-calling-v2-ko | 15.2k (Function Calling) | 멀티턴 | glaiveai/glaive-function-calling-v2 중에서 15.2k 개를 ChatGPT로 번역 |
| squarelike/ko_medical_chat | 3.04k | 멀티턴 | jwj7140/ko-medical-chat MedText와 ChatDoctor 데이터셋을 GPT3.5를 통해 한국어 대화로 변환 |
| MarkrAI/KoCommercial-Dataset | 1.44M | 싱글턴 | 상업적으로 이용 가능한 데이터셋들을 수집 및 가공하여 하나로 병합 |
| maywell/koVast | 685K | 멀티턴 | 685K의 대규모 멀티턴 한국어 대화 |
| SJ-Donald/orca-dpo-pairs-ko | 36K | 싱글턴 | mncai/orca_dpo_pairs_ko, Ja-ck/Orca-DPO-Pairs-KO, We-Want-GPU/Yi-Ko-DPO-Orca-DPO-Pairs 3개의 DPO 데이터셋 병합 후 중복 제거 |
| lcw99/wikipedia-korean-20240501-1million-qna | 1M | 싱글턴QA | 한글 위키피디아를 백만개의 섹션으로 나누고 백만개의 q&a를 생성 |
| nlp-with-deeplearning/Ko.WizardLM_evol_instruct_V2_196k | 196k | 싱글턴 | 자체 구축한 번역기로 WizardLM/WizardLM_evol_instruct_V2_196k을 번역한 데이터셋 |
| HAERAE-HUB/qarv-instruct-100k | 100k | 싱글턴 | 한국에 대한 지식이 필요한 지시문-답변 쌍 (영어 포함) |
| kuotient/orca-math-word-problems-193k-korean | 193k | 싱글턴 | microsoft/orca-math-word-problems-200k 번역 |
| kuotient/orca-math-korean-preference | 193k | 싱글턴(DPO) | 번역된 microsoft/orca-math-word-problems-200k를 이용해 만든 DPO 데이터셋 |
| jojo0217/korean_safe_conversation | 26k | 싱글턴 | 성균관대 - VAIV COMPANY 산학협력을 위해 구축한 일상대화 데이터로, 자연스럽고 윤리적인 챗봇 구축을 위한 데이터셋 |
| HAERAE-HUB/K2-Feedback | 100k | 싱글턴 | K^2-피드백은 한국어 모델에서 세분화된 평가 능력을 향상시키기 위해 만들어진 데이셋, Feedback Collection을 기반으로 한국 문화와 언어학에 특화된 지시문을 통합합니다. (NOTE: 원래 Prometheus 모델 학습 용 데이터지만 5점 output만을 가져와서 학습에 활용할 수 있다) |
| maywell/kiqu_samples | 24.9k | 싱글턴 | kiqu-70b 모델의 출력 샘플입니다. |
| CarrotAI/ko-instruction-dataset | 7k | 싱글턴 | WizardLM-2-8x22B 모델을 사용하여 생성한 한국어로 이루어진 고품질 한국어 데이터셋, WizardLM: Empowering Large Language Models to Follow Complex Instructions에서 소개된 방법으로 생성 |
| HAERAE-HUB/HR-Instruct-Math-v0.1 | 30k | 싱글턴 | 한국어 수학 instruction 데이터 (PoC 버전) |
| iknow-lab/qarv-instruct-ko-mt | 10K | 멀티턴 | HAERAE-HUB/qarv-instruct-ko 데이터 1만여개에 GPT-3.5-turbo를 이용해서 2턴 대화를 더 추가한 멀티턴 데이터 |
| iknow-lab/ko-evol-writing-wiki | 30K | 싱글턴 | GPT-3.5-turbo를 이용해서 생성한 글쓰기 / 창의적 글쓰기 데이터 |
| AIHub RLHF dataset | SFT(13K), RM(33K), PPO(33K) | 싱글턴 | RM 데이터는 지시문과 5개 답변에 대해 순위가 매겨져있음. PPO 데이터의 경우 지시문만 있으며 답변 없음. |
| 이름 | # | 타입 | 내용 |
|---|---|---|---|
| HAERAE-HUB/KMMLU | 243k | MCQA | 45개 주제의 전문가 수준 한국어 성능 평가 벤치마크 |
| HAETAE-project/HAE-RAE-BENCH | 1.5k | MCQA | HAE-RAE Bench는 언어 모델의 한국어 능력(어휘, 역사, 상식, 독해)을 평가하기 위해 제작된 벤치마크 데이터셋입니다. |
| HAERAE-HUB/CSAT-QA | 0.9k | MCQA | 국어 수능문제 |
| HAERAE-HUB/K2-Eval | 90 | 생성 | 정확한 답변을 위해서는 한국어 문화에 대한 깊이 있는 지식이 필요한 90개의 사람이 작성한 지시문, 사람 혹은 GPT-4가 평가 |
| sean0042/KorMedMCQA | < 1k | MCQA | 한국어 의료 QA 벤치마크 |
| HAERAE-HUB/Korean-Human-Judgements | < 1k | Human Preference | 각각 질문, 답변 A, 답변 B와 사람의 선호 표시 |
- Ko Chatbot Arena Leaderboard: 사람이 여러 챗봇의 결과를 비교해보고 그 승률과 ELO 점수를 보여주는 리더보드
- instructkr/LogicKor-leaderboard: 한국어 언어모델 다분야 사고력 벤치마크
- 호랑이 LLM 리더보드: wandb에서 공개한 Q&A, 멀티턴 형식의 한국어 LLM 평가 리더보드
- ko-RM-judge: 보상 모델(Reward Model)을 이용하여 챗봇의 대답을 평가하고, 그 점수를 비교