Tree-AI-lab/smoltalk-multilingue

SmolTalk Multilingue (EN x FR x BCI) — Tree AI Lab

Dataset d'instructions et d'alignement conversationnel multilingue à grande échelle, couvrant l'Anglais, le Français et le Baoulé (bci).

Publié et certifié par Tree AI Lab (Tree-AI-lab).

---

📊 Répartition des Classes Linguistiques

Le dataset est partitionné équitablement entre les 7 configurations canoniques :

Classe / Direction	Question (Prompt)	Réponse (Assistant)	Rôle / Objectif	Consigne Utilisateur (50% Préfixe / 50% Suffixe)
en_en	Anglais	Anglais	Préservation des capacités en Anglais original	Aucune (Monolingue naturel)
en_fr	Anglais	Français	Instruction bilingue Anglais -> Français	Consigne en Anglais demandant de répondre en Français
en_bci	Anglais	Baoulé	Capacité de réponse directe en Baoulé sur prompt Anglais	Consigne en Anglais demandant de répondre en Baoulé
fr_fr	Français	Français	Alignement conversationnel francophone	Aucune (Monolingue naturel)
fr_bci	Français	Baoulé	Questionnement en Français avec réponse authentique en Baoulé	Consigne en Français demandant de répondre en Baoulé
bci_fr	Baoulé	Français	Questionnement en Baoulé avec réponse en Français	Consigne en Baoulé demandant de répondre en Français
bci_bci	Baoulé	Baoulé	Dialogue souverain 100% en Baoulé	Aucune (Monolingue naturel)

---

🎯 Conditionnement Cross-Lingual (Préfixes & Suffixes)

Pour toutes les paires cross-linguistiques (en_fr, en_bci, fr_bci, bci_fr), afin de lever toute ambiguïté sur la langue de réponse attendue lors du fine-tuning (SFT) :

• 50% en Préfixe : placé en tête de la requête utilisateur (ex. "Réponds en baoulé : {prompt}", "Answer in French: {prompt}").
• 50% en Suffixe : placé en fin de requête (ex. "{prompt}\n\n(Réponds en baoulé.)").
• Directions monolingues (en_en, fr_fr, bci_bci) : conservent un dialogue 100% naturel sans consigne ajoutée.
• Deux métadonnées explicites sont fournies pour chaque entrée : langue_de_reponse_attendue (texte de la consigne) et position_consigne (prefixe, suffixe, ou "").

---

🧬 Format des Données (Apache Parquet & JSONL)

Chaque exemple respecte le schéma structuré suivant :

{
  "messages": [
    {"role": "user", "content": "Answer in French: Explain photosynthesis."},
    {"role": "assistant", "content": "La photosynthèse est le processus par lequel..."}
  ],
  "source": "smoltalk",
  "direction": "en_fr",
  "question_language": "en",
  "answer_language": "fr",
  "langue_de_reponse_attendue": "Answer in French:",
  "position_consigne": "prefixe"
}

---

🏢 Organisation

Développé et certifié par Tree AI Lab (Tree-AI-lab).