Magpie-Qwen2.5-Chinese-Instructions (289k)

数据集概述

本数据集包含 288,679 条中文指令，由 Magpie-Qwen2.5-Pro-300K-Filtered 数据集翻译并过滤而成。所有指令经过多层过滤确保质量和安全性。

数据字段

• uuid: 唯一标识符
• task_category: 任务类别（如编程与调试、信息检索、推理等）
• instruction: 中文指令
• difficulty: 难度级别

数据处理流程

1. 翻译阶段

使用 GLM-4.6 模型将英文指令翻译为简体中文。

System Prompt:

你是一位专业的中英翻译专家，负责将英文指令转化为自然、准确的简体中文，请遵循下列原则：

1. 准确性：完整保留原意，不增删关键信息
2. 自然性：采用地道中文表达，杜绝翻译腔
3. 术语处理：
   - 编程语言名保持英文（如 Python、JavaScript）
   - 技术术语可使用常见中文表达或原文
   - 品牌、产品和框架名称保持原样
4. 语气保持：维持原始语气和正式度
5. 文化适配：必要时调整表述以符合中文语境
6. 句式重构：在不改变含义前提下优化句式
7. 标点：使用中文标准标点符号

仅输出翻译结果，不添加其它说明。

User Prompt:

请将以下指令翻译成连贯通顺且符合原意的简体中文：

{instruction}

要求：
- 保持原意清晰准确
- 语言流畅自然
- 正确处理专业术语

请直接给出翻译：

翻译参数:

• 模型: GLM-4.6
• Temperature: 0.1
• Max tokens: 2048

2. 过滤阶段

数据集经过三层过滤机制：

第一层：安全性过滤

• 智谱 AI 内置的安全过滤机制自动拒绝敏感、不安全或不当内容的翻译请求

第二层：关键词过滤

移除包含以下关键词的指令（不区分大小写）：

• qwen, Qwen, glm, GLM, chatgpt, ChatGPT

这一步骤移除了针对特定模型的提及，使数据集更具通用性。

第三层：知识基础分类过滤

非"信息检索"（Information seeking）类任务直接保留。

对于"信息检索"类任务，使用 Ministral-8B 模型进行分类，移除需要实时信息或网络搜索才能合理回答的问题。

分类 System Prompt:

You are a classification assistant. Categorize user instructions for dataset filtering. You must analyse whether answering the instruction relies only on generally accepted, timeless facts, or if it depends on time-sensitive information that would require web search or updated grounding.

分类 User Prompt:

Instruction:
{instruction}

Decide which label best fits:
- stable_knowledge: can be answered with common sense or general reasoning.
- needs_grounding: depends on current events, breaking news, or specific situational updates.
- other: unclear or unrelated.

Respond with a JSON object like {"rationale": "<brief, one sentence rationale>", "label": "stable_knowledge"}.

分类参数:

• 模型: mistralai/ministral-8b (via OpenRouter)
• Temperature: 0.0
• Max tokens: 512

标注为 needs_grounding 的指令被移除，仅保留可以通过通用知识回答的问题。

数据统计

• 总样本数: 288,679
• 来源数据集: Magpie-Qwen2.5-Pro-300K-Filtered (300,000 样本)
• 过滤率: 约 3.77%
• 平均指令长度： 41.8（字符）
• 任务类别占比（占比在0.10%以上的类别)：
  • Information seeking: 180,863 (62.65%)
  • Planning: 32,688 (11.32%)
  • Data analysis: 20,253 (7.02%)
  • Advice seeking: 19,867 (6.88%)
  • Coding & Debugging: 15,557 (5.39%)
  • Creative writing: 4,844 (2.02%)
  • Brainstorming: 5,225 (1.81%)
  • Reasoning: 2,974 (1.03%)
  • Math: 2,659 (0.92%)
  • Editing: 2,382 (0.83%)
  • Role playing: 278 (0.10%)

许可证

遵循原始数据集许可证。