Multi-SFT：可商用许可的多语言指令跟随数据集

Multi-SFT: Permissively-Licensed Multilingual Instruction-Following

AI 导读

Multi-SFT 是一个可商用许可的多语言指令跟随数据集，包含五种欧洲语言的 502,818 条指令-响应对，通过翻译与重新生成流程构建。研究团队微调了 EuroLLM、OLMo 2、Qwen3 三个家族共九款模型（1B-32B），在 13 个基准上评测，结果显示 Multi-SFT 单独使用即可媲美更大的增强混合数据集和官方指令微调版本，在安全任务上优势尤为明显。

正文 · AI 翻译

查看 PDF HTML（实验性）

摘要：有监督微调数据集仍然以英语为主且受商业限制，因为其内容通常由专有模型生成，而这些模型的服务条款禁止训练竞争系统。我们推出 Multi-SFT，这是一个可商业使用的数据集集合，包含五种欧洲语言的 502,818 个指令-响应对，通过翻译和再生成流程构建，适用于翻译不足的任务。人工评估显示，所有数据集和语言的标注者间一致性至少为 0.87。对来自三个不同系列（EuroLLM、OLMo 2、Qwen3；1B-32B）的九个模型进行微调，并在 13 个基准上评估，结果表明仅 Multi-SFT 就足以与更大的增强混合数据集和官方指令微调版本竞争，在安全任务上具有决定性优势。

评论：	13 页，7 张表
主题：	计算与语言（cs.CL）；人工智能（cs.AI）
引用为：	arXiv:2610.22086 [cs.CL]
	（或 arXiv:2610.22086v1 [cs.CL] 用于此版本）
	https://doi.org/10.48550/arXiv.2610.22086 由 DataCite 颁发的 arXiv DOI（待注册）

提交历史

来自：Kamyar Zeinalipour [查看电子邮件]
[v1] 2026 年 10 月 15 日星期四 15:39:41 UTC（30 KB）

来源：arXiv cs.CL · arxiv.org