metadata
language:
- it
license: apache-2.0
tags:
- italian
- conversational
- synthetic
- distilled
- sft
- instruction-following
- chatml
size_categories:
- 1K<n<10K
task_categories:
- text-generation
dataset_info:
features:
- name: text
dtype: string
- name: topic
dtype: string
🗣 quattro-chiacchiere
Dataset sintetico italiano per SFT, distillato con Alembic.
Il doppio di due-chiacchiere — non in quantità, ma in varietà e focus.
Cosa contiene
Coppie domanda-risposta in italiano in formato ChatML, generate via LLM distillation (Llama 70B/Nemotron 120B via Groq e OpenRouter), progettate per insegnare a modelli linguistici piccoli (50M-500M) a:
- Rispondere con precisione e concisione
- Rifiutare richieste pericolose o illegali
- Correggere premesse false e bufale
- Ragionare su problemi logici e matematici
- Conversare in modo naturale in italiano
- Conoscere cultura, storia e vita pratica italiana
Topic coperti
| Categoria | Topic |
|---|---|
| 🇮🇹 Italia | Storia, regioni, cucina, arte, letteratura, cinema, musica, sport, tradizioni |
| 🔬 STEM | Matematica, fisica, chimica, biologia, astronomia, tecnologia, informatica |
| 💻 Coding | Programmazione, Python, concetti informatici, AI |
| 🛡 Sicurezza | Rifiuti di richieste illegali, jailbreak, fake news, limiti etici |
| 💡 Spiegazioni | Come funziona internet, GPS, vaccini, elettricità, computer |
| 💬 Conversazione | Saluti, consigli, modi di dire, espressioni formali vs informali |
| 🧠 Logica | Problemi logici, calcoli, percentuali, pattern, indovinelli |
| 🏛 Italia pratica | Sanità, scuola, tasse, trasporti, burocrazia, diritti, emergenze |
Formato
Ogni riga è un oggetto JSON in formato ChatML:
{
"text": "<|im_start|>user\nQual è il fiume più lungo d'Italia?<|im_end|>\n<|im_start|>assistant\nIl Po, con 652 km, è il fiume più lungo d'Italia. Nasce dal Monviso in Piemonte e sfocia nel Mare Adriatico.<|im_end|>",
"topic": "geografia italiana"
}
Come usarlo
from datasets import load_dataset
ds = load_dataset("ThingAI/quattro-chiacchiere", split="train")
# Esempio
print(ds[0]["text"])
print(ds[0]["topic"])
Estrarre instruction/output
import re
def parse_chatml(text):
user = re.search(r'<\|im_start\|>user\n(.*?)<\|im_end\|>', text, re.DOTALL)
assistant = re.search(r'<\|im_start\|>assistant\n(.*?)<\|im_end\|>', text, re.DOTALL)
return {
"instruction": user.group(1).strip() if user else "",
"output": assistant.group(1).strip() if assistant else "",
}
ds = ds.map(lambda x: parse_chatml(x["text"]))
Generazione
Il dataset è stato generato interamente con Alembic, un tool TUI open-source in Rust per la distillazione di dataset sintetici da API LLM.
Modelli sorgente: Llama 3.3 70B (Groq), Nemotron 120B (OpenRouter)
Statistiche
- Lingua: Italiano
- Risposte: 2-3 frasi, concise e fattuali
- Licenza: Apache 2.0
- Qualità: Ogni risposta è fattuale e verificabile — nessuna allucinazione by design
Citazione
@misc{quattrochiacchiere2026,
author = {ThingAI},
title = {quattro-chiacchiere: Italian Synthetic SFT Dataset},
year = {2026},
url = {https://huggingface.co/datasets/ThingAI/quattro-chiacchiere}
}
Licenza
Apache 2.0