大模型数据样本目录

这个目录不是生产数据，而是为了帮助初学者理解“大模型数据到底长什么样”而准备的最小示例。

包含：

• 00-raw-corpus.jsonl 原始文本样本，带噪声和脏内容
• 01-cleaned-corpus.jsonl 清洗后的训练文本样本
• 02-sft-messages.jsonl 指令微调 / 聊天数据样本
• 03-preference-dpo.jsonl 偏好数据样本
• 04-eval-set.jsonl 评测集样本
• 05-rag-documents.jsonl RAG 文档样本
• 06-dataset-card.yaml 数据集说明卡和元数据示例

建议配合根目录的：

• 19-第十九课-大模型数据集-清洗-标注-切分-版本管理与质量治理原理.md

一起阅读。