nvidia/Nemotron-Post-Training-Dataset-v2

数据集简介

NVIDIA Nemotron 后训练数据集 v2 是一个用于大语言模型（LLM）后训练阶段的高质量文本数据集。

主要用途

该数据集专为模型的后训练（Post-Training）阶段设计，旨在帮助模型进一步学习通用知识、提升指令遵循能力和对话能力，是优化与对齐大语言模型性能的关键资源。

数据类型与模态

• 模态：纯文本（Text）
• 格式：Parquet

规模与统计

• 数据量：包含超过 634 万 条文本样本。
• 来源：由 NVIDIA 官方发布和维护。

使用场景

适用于：
1. 大语言模型的后训练：在预训练模型的基础上进行进一步训练，以增强其通用能力和指令理解。
2. 模型对齐与优化：帮助模型学习更符合人类期望的响应方式和对话风格。
3. 研究与开发：为AI研究人员和开发者提供高质量、大规模的训练数据，用于改进各类文本生成模型。