Datasets:
| license: cc-by-nc-4.0 | |
| task_categories: | |
| - text-generation | |
| language: | |
| - zh | |
| size_categories: | |
| - 10K<n<100K | |
| * 2023.12.4更新：改进答案的格式，强制所有答案在回答时必须先给出原文。旧版本的问答已经移至old文件夹。 | |
| # 中文多文档问答数据集 | |
| * 参考文档源数据均来自[悟道开源200G数据](https://data.baai.ac.cn/data) | |
| * 问题和回答是通过大语言模型（gpt-3.5）自动生成的，但质量很高。 | |
| * raw数据集中，每个样本包含 <font color=red> 一个参考文档、99个无关文档、一个问题、一个基于参考文档的回答</font>。可以训练模型从大量文档中抽取关键信息的能力。不同领域的文档保存在不同json文件中。 | |
| * 原始数据经过筛选、整合转化为chatml形式的指令微调数据后，每条数据大约包含30个参考文档，以及5个对应的问答对。 |