数据集介绍

数据集（Dataset）用于统一管理数据集，支持数据集创建、多版本管理和共享功能，可在模型精调中使用。

前置条件#

创建数据集之前，用户需确保账户已启用火山引擎对象存储 TOS 服务。

打开数据集页面后，进入数据集列表。点击数据集列表页面左上角的【创建数据集】按钮，进入创建数据集页面。

填写创建数据集表单，包括数据集名称、数据集描述，选择数据用途、数据格式、上传文件等。具体填写说明见下表。

创建数据集表单配置字段填写说明

字段名	是否必填	描述及填写规范
数据集名称	是	自定义数据集名称，方便记录检索；支持1～200位可见字符，且只包含大小写字母、中文、数字、中划线、下划线。
数据集描述	否	给数据集添加除名称以外的其他描述信息，方便多次迭代版本，重要信息记录；支持1～300位可见字符，且只包含大小写字母、中文、数字、中划线、下划线。
数据用途	是	目前平台仅支持数据集用于模型精调，其他用途敬请期待。
数据格式	是	数据格式可根据模态和场景分为以下类型：文本生成-SFT精调：对话角色和文本组成的单轮或多轮的对话数据。文本生成-继续预训练：未标注的文本字符串数据，常用于继续预训练。文本向量化-SFT精调：用户问题和正负例文本数据。详情可见格式总览。
版本号	是	数据集版本号，从V1开始，每次新建版本自动递增。
文件上传	是	具体文件格式可参考页面说明，或按照页面提示下载样例文件到本地，填充信息后再上传；支持上传数据集、从TOS导入两种文件上传方式。

通过数据集列表页，可以查看数据集的信息，包括数据集名称/ ID、数据格式、最新版本、状态、数据量等关键信息。

创建完成的数据集，可以在数据集列表中，选择希望查看的数据集，点击【数据集名称】进入该数据集的版本列表页。

通过数据集版本列表，可以查看该数据集所有版本的信息，包括版本号、版本描述、状态、数据量、预估 Tokens等关键信息。
其中，预估Tokens表示精调时数据集预计消耗的 token 数，不同模型的实际消耗数可能存在一定偏差。

点击数据集列表的【新建版本】操作，或点击数据集详情页右上角【新建版本】按钮，可在当前数据集基础上新增版本。填写新增版本表单，包括版本描述和文件上传。

用户可以删除不再需要的数据集版本，删除后不可恢复。
注意，删除操作可能带来不良影响，详见删除数据集。
入口：在数据集详情页中，将鼠标悬停在数据集列表中需要删除的数据集版本记录操作中的【···】，点击【删除】操作，按照弹窗提示完成操作。

删除数据集将删除该数据集下的所有数据集版本数据，删除后不可恢复。

入口1：在数据集列表页面，将鼠标悬停在需要删除数据集记录操作中的【···】，点击【删除】操作，按照弹窗提示完成操作。

入口2：在数据集详情页中，将鼠标悬停在右上角的【···】，点击【删除】提示，同样可以触发删除弹窗。