WebInstruct Verified

Dataset de questions-réponses variées et vérifiées, conçu pour renforcer les capacités de raisonnement des grands modèles de langage dans de multiples domaines scientifiques et humains.

Télécharger le dataset

Taille

Plus de 230 000 questions-réponses vérifiées, format texte structuré

Licence

Apache 2.0

Description

‍

Le dataset WebInstruct Verified contient plus de 230 000 questions-réponses collectées et vérifiées à partir du web. Il couvre un large spectre disciplinaire allant des mathématiques à la physique, chimie, finance, et humanités. Chaque question a été filtrée pour assurer la vérifiabilité des réponses, incluant des formats variés tels que flottants, tableaux, matrices ou latex.

‍

À quoi sert ce dataset ?

‍

Entraîner des modèles de langage à développer des capacités de raisonnement général et spécifique
Tester et améliorer les performances des LLMs sur des questions complexes et diversifiées
Construire des systèmes d’IA capables de validation contextuelle et raisonnement multi-domaines

‍

Peut-on l’enrichir ou l’améliorer ?

‍

Ce dataset peut être enrichi par ajout de nouveaux domaines spécifiques ou par annotation détaillée des types de raisonnements requis. L’intégration d’annotations supplémentaires, comme la complexité des questions ou les stratégies de résolution, peut aussi améliorer son exploitation pour l’entraînement.

‍

🔎 En résumé

Critère	Évaluation
🧩 Facilité d’utilisation	⭐⭐⭐✩✩ (Nécessite un certain prétraitement pour intégration)
🧼 Besoin de nettoyage	⭐⭐⭐⭐⭐ (Faible, les données ont été vérifiées rigoureusement)
🏷️ Richesse des annotations	⭐⭐⭐⭐✩ (Bon niveau, avec réponses vérifiées et format varié)
📜 Licence commerciale	✅ Oui (Apache 2.0)
👨‍💻 Idéal pour les débutants	⚠️ Moyennement, conseillé pour utilisateurs avec expérience intermédiaire
🔁 Réutilisable en fine-tuning	🎯 Excellent pour fine-tuning sur tâches de raisonnement
🌍 Diversité culturelle	⚠️ Large spectre disciplinaire, mais peu d’indications sur diversité linguistique