README.md

metadata

task_categories:
  - text-generation
language:
  - zh
  - en
license: cc-by-sa-4.0

• 2024.5.28 update: the data format is converted from "chatml" to "messages", which is more convenient to use tokenizer.apply_chat_template. And the version without "Original text paraphrasing" is added.

Long Context Instruction-tuning dataset with "Original text paraphrasing"

• consist of multiple tasks
• Chinese and English
• sample length ranging from 4k to 32k
• the answer contains "Original text paraphrasing" part
• Paper

长文本指令微调数据

• 此数据集由多种长文本任务数据集组合而成。
• 包含中文和英文两部分
• Paper

源数据

此处给出各个数据集的链接集合。也可以直接点击我的个人主页查看所有数据集。

中文

1. 图书总结

2. 论文摘要 涉及到知网数据，受限访问。

3. 论文问答 涉及到知网数据，受限访问。

4. 多文档问答（检索）

英文

1. 多文档问答（检索）

中英

1. 长论文多任务

2. 从ShareGPT中筛选的长对话（中英）

3. 预训练长文本语料库（中英）LongData-Corpus