Magpie-based Synthetic Dialogue Dataset Generator

Magpieという手法と、DeepInfra上のnvidia/Nemotron-4-340B-Instructを使用して、合成対話データセットを生成するためのコードです。

概要

Magpieは、既存の大規模言語モデル（LLM）を使用して、高品質な指示データを大量に合成する手法です。

このコードは以下の論文に基づいています：

Lin, B. Y., et al. (2024). "Magpie: Alignment Data Synthesis from Scratch by Prompting Aligned LLMs with Nothing". arXiv preprint arXiv:2406.08464.

使用方法

1. 必要なライブラリをインストールします。

   pip install -r requirements.txt
   

2. DeepInfraのサービスよりAPIキーを取得します。

3. 以下のようなコマンドを実行してデータセットを生成します。

   python generate_dataset.py --api_key YOUR_API_KEY_HERE --target_count 1000 --num_turns 3 --max_workers 50 --user_max_tokens 256 --assistant_max_tokens 1024 --temperature 1.0 --output_file generated_conversations.jsonl
   

   パラメータの説明：

   • --api_key: DeepInfra APIキー（必須）
   • --target_count: 生成するデータの数（デフォルト: 1000）
   • --num_turns: 各データのターン数（デフォルト: 3）
   • --max_workers: 並行処理で使用するワーカー数（デフォルト: 50）
   • --user_max_tokens: 指示の最大トークン数（デフォルト: 256）
   • --assistant_max_tokens: 応答の最大トークン数（デフォルト: 1024）
   • --temperature: 生成の温度（デフォルト: 1.0）
   • --output_file: 出力ファイル名（デフォルト: generated_conversations.jsonl）
   • --system_prompt: システムプロンプト（デフォルト: 以下の難易度の高い質問に日本語で答えてください。）

4. 生成されたデータセットは指定した出力ファイル（デフォルトでは generated_conversations.jsonl）に保存されます。

注意事項

• このコードはNemotron-4-340B-Instructの使用を前提としています。他のモデルを使用する場合は、コードの一部を変更する必要があります。
• DeepInfra以外で推論させる場合、コードの一部を変更する必要があります。
• 大量のデータを生成する場合は、APIの使用制限と料金に注意してください。
• 生成されたデータセットの品質と内容を必ず確認し、必要に応じてフィルタリングを行ってください。

ライセンス

このプロジェクトはMITライセンスの下で公開されています。