Infinity-Instruct（智源，含 COIG）

内容与规模

流程：以开源种子（Alpaca GPT4、UltraChat、WildChat、MetaMathQA、Flan 等）为起点，LLM 打能力标签（25 个二级类），再用 Evol-Instruct 式演化，并为缺口合成数据 [1]。论文口径：阶段一从 1 亿+ 样本筛出 740 万基础指令，阶段二合成 150 万对话指令；InfInstruct-LLaMA3.1-70B 指令遵循比 GPT-4-0314 高 8.6%（作者口径）[2]。7M / Gen 附 Skywork-Reward-Llama-3.1-8B 的奖励分数；数据卡页面口径显示被 184 个模型使用 [1]。

COIG

COIG（2023-04，约 20 万条中文指令，人工校验）是智源更早的中文指令集 [3]。

局限

数据卡未点名生成所用模型，只写“AI assistants”；教师模型条款与 CC-BY-SA 再发布的兼容性公开材料未说明 ⚠️；CC-BY-SA 要求衍生数据同许可，下游合并需注意。

来源

1. https://huggingface.co/datasets/BAAI/Infinity-Instruct (2026-10-15)
2. https://arxiv.org/html/2506.11116v1 (2026-10-15)
3. https://arxiv.org/abs/2304.07987 (2026-10-15)