今天给大家分享一个大型中文高质量偏好数据集-COIG-P。

HF: https://huggingface.co/datasets/m-a-p/COIG-P
Paper: https://arxiv.org/pdf/2504.05535

整个偏好数据集总量为 1006 K，涉及 92K 个 Query，从多个中文问答平台收集，包括对话、逻辑推理、数学、小说续写、角色扮演和代码等6个领域。

整个数据收集和清理工作如上图所示，

数据源主要来自百度知道、知乎、百度贴吧、中文行政能力测试，还将一些英文开源数据集的Query翻译成中文。

通过去重和过滤保证Query的质量，使用SentenceBERT获取Query的句向量，删除语义相似度高的Query，以确保多样性。过滤则是使用Qwen2-72B模型对查询进行评分，丢弃那些得分低于5的Query，还设计了一些规则来删除格式不正确的Query。

回答生成则利用15种不同的开源或闭源的大模型进行生成，模型涉及Abab6.5、Baichuan4、Claude3.5、DeepSeek-V2、Doubao-Pro、Gemini1.5-Pro、GPT-Turbo/3.5/4/4o、Qwen-Max、Qwen2-72B、Yi-1.5-34B、Yi-Large、GLM-4和Moonshot。

对每个数据打分采用了8个大模型，涉及Claude3.5、DeepSeekV2、Doubao-Pro、GLM-4、GPT4o、GPT-4-Turbo、Qwen2-72B-Instruct和Moonshot，并且针对不同领域数据设置了专属提示词，如下所示。

为了保证数据质量，随机从每个领域抽取40个样本，人工标注，平均准确率高达90.83%

同时为了验证数据的有效性，在构建的数据上，进行模型二次训练验证，在AlignBench榜单上，Qwen等模型均有一定的提高。

还基于该偏好数据，训练了奖励模型-CRM，7B模型分数直逼GPT4。

---

如何系统学习掌握AI大模型？

AI大模型作为人工智能领域的重要技术突破，正成为推动各行各业创新和转型的关键力量。抓住AI大模型的风口，掌握AI大模型的知识和技能将变得越来越重要。

学习AI大模型是一个系统的过程，需要从基础开始，逐步深入到更高级的技术。

这里给大家精心整理了一份全面的AI大模型学习资源，包括：AI大模型全套学习路线图（从入门到实战）、精品AI大模型学习书籍手册、视频教程、实战学习、面试题等，资料免费分享！

1. 成长路线图&学习规划

要学习一门新的技术，作为新手一定要先学习成长路线图，方向不对，努力白费。

这里，我们为新手和想要进一步提升的专业人士准备了一份详细的学习成长路线图和规划。可以说是最科学最系统的学习成长路线。

2. 大模型经典PDF书籍

书籍和学习文档资料是学习大模型过程中必不可少的，我们精选了一系列深入探讨大模型技术的书籍和学习文档，它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。（书籍含电子版PDF）

3. 大模型视频教程

对于很多自学或者没有基础的同学来说，书籍这些纯文字类的学习教材会觉得比较晦涩难以理解，因此，我们提供了丰富的大模型视频教程，以动态、形象的方式展示技术概念，帮助你更快、更轻松地掌握核心知识。

4. 2024行业报告

行业分析主要包括对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

5. 大模型项目实战

学以致用 ，当你的理论知识积累到一定程度，就需要通过项目实战，在实际操作中检验和巩固你所学到的知识，同时为你找工作和职业发展打下坚实的基础。

6. 大模型面试题

面试不仅是技术的较量，更需要充分的准备。

在你已经掌握了大模型技术之后，就需要开始准备面试，我们将提供精心整理的大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。

全套的AI大模型学习资源已经整理打包，有需要的小伙伴可以微信扫描下方CSDN官方认证二维码，免费领取【保证100%免费】