启古纳今，厚德精术

---

数据介绍

非网络来源的高质量中医数据集-指令微调

High-Quality Traditional Chinese Medicine Dataset from Non-Internet Sources - SFT/IFT

该数据集经过大量人力和资源的投入精心构建，以共建LLM高质量中文社区为己任。 包含约1GB的中医各个领域临床案例、名家典籍、医学百科，名词解释等优质问答内容，涵盖全面，配比均衡。 数据集主要由非网络来源的内部数据构成，并99%为简体中文内容，内容质量优异，信息密度可观。

该数据集的数据源与SylvanL/Traditional-Chinese-Medicine-Dataset-Pretrain中的内容存在一定关联，但不高度重叠。 在二者的构建过程中，存在着一定的循序渐进与互为补充的逻辑. 该数据集可以独立使用，但建议先使用配套的预训练数据集对模型进行继续预训练后，再使用该数据集进行进一步的指令微调。

该数据集仅为单轮对话，且只涉及中医知识与通用医疗知识，因此强烈建议使用者在训练时混入一定比例的【中文常识、中文多轮对话数据】来避免灾难性遗忘。（未包含于该数据集内，可选择"BAAI/COIG"与"m-a-p/COIG-CQIA"）

并且因为中医领域的特殊性，使用者也可以按照自己的业务需求酌情混入一定比例的【古文/文言文<->现代文翻译数据】以进一步加强模型表现。(已经在下方一并提供)

所有数据集的可是均可被LLamaFactory按照"dataset_info.json"内的信息（需要与数据集文件在同一路径下）直接读取，list:dict->[{"instruction":"...", "input":"...", "output":"..."},...]

任何问题请联系：sl18n19@soton.ac.uk

---

附录表一：SFT_nlpSyndromeDiagnosed_48665 证型诊断样本分布情况

附录表二： SFT_nlpDiseaseDiagnosed_61486 疾病诊断样本分布情况

附录表三：SFT_structGeneral_310849 指令跟随模板分布情况

附录四：prompt-template

模块目标：通过改写和优化现有的医疗问答训练数据，以面向下游任务构建指令跟随微调训练集。

输入：单个问答对，格式为单个dict，JSON格式形如：{问题: "...", 答案: "..."}

输出：多个问答对，数量为N个，格式为由N个dict的list，JSON格式形如：[{"问题": "...", "答案": "..."}, {"问题": "...", "答案": "..."}, {"问题": "...", "答案": "..."}, ...]

模块功能：
{
1. 简单输入处理：
对于简单的答案，重点在于优化答案的质量，确保自然语言流畅性。并围绕相似的答案生成不同的问题变体。输出数量：N=2。

2. 复杂输入处理：
对于复杂的答案，重点在于合理拆解答案内容，将长答案分解为多个部分。并针对每个不同的部分生成与其配套的问题。输出数量：N=4。

3. 格式要求：确保输出为合法的JSON格式，所有key和value均需用双引号包裹。字典用花括号 {}，数组用方括号 []，并确保所有括号正确闭合。

4. 评估标准： 一切改写和优化应以提升下游模型在医疗垂直领域的任务上的表现为唯一评估标准。
}