بلوک Dataset ورودی آموزش است. سه فرمت پشتیبانی میشود و میتوانید فایل آپلود کنید یا متن را مستقیم در کادر بچسبانید:
{"messages": [{"role":"user",...},{"role":"assistant",...}]}— گفتگو (پیشنهادی؛ فقط پاسخ دستیار آموزش میبیند){"prompt": "...", "completion": "..."}— تکمیل{"text": "..."}یا هر خط متن ساده — متن آزاد
پس از آپلود، دکمهی بررسی کیفیت گزارش کامل میدهد: تعداد نمونهها، ترکیب فرمتها، نمونههای تکراری، زبانهای شناساییشده، هیستوگرام طول کاراکتر/توکن و هشدارها. دیتاست فارسی و ایموجی کاملاً پشتیبانی میشود.
نکته: حداقل ۲ نمونه لازم است؛ نمونههای بلندتر از ~6000 کاراکتر هشدار میگیرند چون در maxlen بریده میشوند. برای eval تمیز، نمونههای تکراری را حذف کنید.
