generación de texto

El conjunto de datos Mu-SHROOM consiste en una colección de prompts, salidas de modelos, logits e identificadores de modelos de lenguaje de gran tamaño de acceso abierto. El conjunto de datos abarca 10 idiomas con datos de validación y prueba (árabe estándar moderno, alemán, inglés, español, finés, francés, hindi, italiano, sueco y chino mandarín), 4 idiomas solo de prueba (“sorpresa”) (catalán, checo, euskera y persa), así como datos de entrenamiento no etiquetados para inglés, español, francés y chino.

Dataset generado para la tarea compartida centrada en la detección de texto generado por máquina y la atribución de modelos en los seis principales idiomas de la Península Ibérica: catalán, inglés, español, euskera, gallego y portugués. El conjunto de datos incluye textos humanos y generados en siete dominios: Chat, How-to, Noticias, Literario, Reseñas, Tweets y Wikipedia. Las generaciones se obtienen utilizando seis modelos de lenguaje: BLOOM-1B1, BLOOM-3B, BLOOM-7B1, Babbage, Curie y text-davinci-003.

El corpus RefutES es un conjunto de datos diseñado para la tarea de refutar mensajes de discurso de odio mediante contra-narrativas. Está compuesto por un conjunto de pares de mensajes ofensivos y sus respectivas respuestas, generadas con el objetivo de ser razonadas, respetuosas, no ofensivas y contener información específica y veraz. El corpus se presenta en archivos CSV con las siguientes columnas: