databricks / databricks-dolly-15k
由人工生成的指令跟随数据集，覆盖多种任务类型
社区实测
首个开放商用许可的人工生成指令数据集，但因规模小(15k条)且存在标注噪声、毒性内容等质量问题，已被更大更干净的数据集替代
- 提供明确允许商用的开源指令微调数据集许可
- 以人工众包方式生成指令-回复对，区别于纯合成数据路线
- Cleanlab清洗版分析显示原始数据存在毒性评分高达0.99、非英语内容评分达0.91等质量问题
- 部分回复含时效性事实陈述(如'曼联现任主帅是滕哈格')，已过时
- 存在空回复(null)条目
- 社区讨论质疑该数据集当前是否仍有价值
来源
Dolly: Open Instruction-Tuned LLM | Databricks BlogCleanlab/databricks-dolly-15k-cleanset · Datasets at Hugging Face[D] Databricks Dolly 15k - Creating Synthetic Variants - Reddit
截至 2026-06-20
- pyfrom datasets import load_dataset ds = load_dataset("databricks/databricks-dolly-15k")