请问在中文LLaMa进行sft的数据量是多少呀，想复现一下，数据因该是5w条的json，但是训练多少个epoch或者token数呀，我看介绍是指令4M ，这个没太理解是怎么算的。

[sixgold993]

提交前必须检查以下项目

• [X] 请确保使用的是仓库最新代码（git pull），一些问题已被解决和修复。
• [X] 由于相关依赖频繁更新，请确保按照Wiki中的相关步骤执行
• [X] 我已阅读FAQ章节并且已在Issue中对问题进行了搜索，没有找到相似问题和解决方案
• [X] 第三方插件问题：例如llama.cpp、text-generation-webui、LlamaChat等，同时建议到对应的项目中查找解决方案
• [X] 模型正确性检查：务必检查模型的SHA256.md，模型不对的情况下无法保证效果和正常运行

问题类型

None

基础模型

None

操作系统

None

详细描述问题

# 请在此处粘贴运行代码（如没有可删除该代码块）

依赖情况（代码类问题务必提供）

# 请在此处粘贴依赖情况

运行日志或截图

# 请在此处粘贴运行日志

[ymcui]

4M就是400万条指令数据的意思，指令一般不用token数量作为单位。

[sixgold993]

谢谢大佬，那意思可以理解为5W条的数据，训练了大概80个epoch？这个判断依据是看loss是否收敛吗？ 我们在做领域知识注入，发现会随着sft步数增大pretrain的领域知识遗忘，可能是因为sft目前还没有设计，用的也是alpaca的5w条数据。

[ymcui]

400万指的不是alpaca-50k复制了80份。alpaca-50k只是指令数据中的其中一个来源而已。 我建议你看一下我们的技术报告，里面有相应的说明。

[sixgold993]

400万指的不是alpaca-50k复制了80份。alpaca-50k只是指令数据中的其中一个来源而已。 我建议你看一下我们的技术报告，里面有相应的说明。 大佬，我在论文中看到了，其他的来源目前是没有放开提供吧？ 目前我能找的是alpaca的英文和中文的

[github-actions[bot]]

This issue has been automatically marked as stale because it has not had recent activity. It will be closed if no further activity occurs. Thank you for your consideration.

[github-actions[bot]]

Closing the issue, since no updates observed. Feel free to re-open if you need any further assistance.