Create README.md

README.md

@@ -0,0 +1,132 @@
+---
+language:
+- vi
+- en
+tags:
+- sft
+size_categories:
+- 10K<n<100K
+---
+# 📊 Báo Cáo Phân Tích Dữ Liệu SFT
+> **File:** `sft_data_common_20k_cleaned.parquet`
+
+## 1. Tổng Quan Dữ Liệu
+
+| Thông tin | Giá trị |
+| :--- | :--- |
+| **Tổng số dòng (rows)** | 16,411 |
+| **Số cột (columns)** | 10 |
+| **Kích thước dữ liệu** | 16,411 × 10 |
+
+---
+
+## 2. Cấu Trúc Dataset (Schema)
+
+| # | Tên Cột | Kiểu Dữ Liệu | Non-null Count | Tỷ lệ |
+| :--- | :--- | :--- | :--- | :--- |
+| 1 | `doc_id` | object | 16,411 | 100.0% |
+| 2 | `provided_dataset` | object | 16,411 | 100.0% |
+| 3 | `lang` | object | 16,411 | 100.0% |
+| 4 | `task` | object | 16,411 | 100.0% |
+| 5 | `messages` | object | 16,411 | 100.0% |
+| 6 | `meta_filtered` | object | 16,411 | 100.0% |
+| 7 | `canonical_hash` | object | 16,411 | 100.0% |
+| 8 | `tools` | object | 8,871 | 54.1% |
+| 9 | `parallel_tool_calls` | object | 8,844 | 53.9% |
+| 10 | `domain` | object | 16,411 | 100.0% |
+
+---
+
+## 3. Phân Bố Dữ Liệu
+
+### 🌐 Theo Ngôn Ngữ (`lang`)
+
+| Ngôn ngữ | Số lượng | Tỷ lệ |
+| :--- | :--- | :--- |
+| **Vietnamese (vi)** | 8,402 | 51.2% |
+| **English (en)** | 8,009 | 48.8% |
+
+### 📝 Theo Task
+
+| Task | Số lượng | Tỷ lệ |
+| :--- | :--- | :--- |
+| code | 1,995 | 12.2% |
+| math | 1,994 | 12.2% |
+| instruction | 1,968 | 12.0% |
+| summarize | 1,961 | 11.9% |
+| dialogue | 1,945 | 11.9% |
+| translation | 1,920 | 11.7% |
+| daily | 1,622 | 9.9% |
+| qa | 1,551 | 9.5% |
+| classification | 1,455 | 8.9% |
+
+### 🏢 Theo Domain
+
+| Domain | Số lượng | Tỷ lệ |
+| :--- | :--- | :--- |
+| common | 16,411 | 100.0% |
+
+---
+
+## 4. Nguồn Dữ Liệu (`provided_dataset`)
+
+| # | Dataset Nguồn | Số lượng | Tỷ lệ |
+| :--- | :--- | :--- | :--- |
+| 1 | `instruct_general_dataset` | 5,879 | 35.8% |
+| 2 | `aya_collection_language_split` | 2,921 | 17.8% |
+| 3 | `infinity_instruct_7m` | 2,849 | 17.4% |
+| 4 | `smoltalk2` | 1,345 | 8.2% |
+| 5 | `lmsys_chat_1m` | 905 | 5.5% |
+| 6 | `nemotron` | 574 | 3.5% |
+| 7 | `tulu3` | 484 | 2.9% |
+| 8 | `openhermes_2_5` | 370 | 2.3% |
+| 9 | `wildchat_1m` | 294 | 1.8% |
+| 10 | `ultrachat_200k` | 230 | 1.4% |
+| 11 | `acereason_1_1_sft` | 211 | 1.3% |
+| 12 | `webscale_rl` | 197 | 1.2% |
+| 13 | `ViSpanExtractQA` | 39 | 0.2% |
+| 14 | `chatbot_arena_conversations` | 38 | 0.2% |
+| 15 | `mmlu5_options` | 29 | 0.2% |
+
+---
+
+## 5. Phân Bố Kết Hợp (Top 15)
+
+### 🔀 Ngôn Ngữ × Task
+
+| Ngôn ngữ | Task | Số lượng | Tỷ lệ |
+| :---: | :--- | :--- | :--- |
+| vi | math | 1,000 | 6.1% |
+| vi | classification | 1,000 | 6.1% |
+| vi | code | 999 | 6.1% |
+| en | code | 996 | 6.1% |
+| en | summarize | 994 | 6.1% |
+| en | math | 994 | 6.1% |
+| en | dialogue | 987 | 6.0% |
+| vi | instruction | 985 | 6.0% |
+| en | instruction | 983 | 6.0% |
+| en | translation | 973 | 5.9% |
+| en | daily | 968 | 5.9% |
+| vi | summarize | 967 | 5.9% |
+| vi | dialogue | 958 | 5.8% |
+| vi | translation | 947 | 5.8% |
+| vi | qa | 892 | 5.4% |
+
+### 🔀 Domain × Ngôn Ngữ
+
+| Domain | Ngôn ngữ | Số lượng | Tỷ lệ |
+| :--- | :---: | :--- | :--- |
+| common | vi | 8,402 | 51.2% |
+| common | en | 8,009 | 48.8% |
+
+---
+
+## 6. Thống Kê Bổ Sung
+* **Số dòng có `tools`:** 8,871 (54.1%)
+* **Số dòng có `parallel_tool_calls`:** 8,844 (53.9%)
+* **Số lượng giá trị Unique:**
+    * `doc_id`: 16,411
+    * `provided_dataset`: 18
+    * `canonical_hash`: 16,411
+
+![image](https://cdn-uploads.huggingface.co/production/uploads/6908e31ea9baafa42b5139ba/8T-Yom_1cTiygu0sNwVm_.png)