AmharicIR+Instr：用于神经检索和指令调优的两个数据集资源

神经检索和 GPT 风格生成模型依赖大规模高质量监督数据，而此类数据在诸如 Amharic 等低资源语言中仍然稀缺。我们发布了一个由 Amharic 组成的数据资源，包含两个支持 (i) 神经检索-排序 和 (ii) 指令遵循文本生成的研究。检索-排序数据集包含 1,091 个经过专家验证的查询-正-负文档三元组，来源于多样化的 Amharic 来源，旨在支持神经检索器的对比训练和基准测试（如 DPR、ColBERT 风格的晚期相互作用和 SPLADE 风格的稀疏神经检索）。三元组通过专家精选查询、网络来源查询和 LLM 辅助生成的组合方式创建，正/负文档来自网络或由 LLM 生成，然后由母语使用者验证。指令提示-响应数据集包含 6,285 个 Amharic 提示-响应对，涵盖多个领域和指令类型，由多个 LLM 生成并通过手动审阅和校正以确保语法正确性、相关性、流畅性和事实合理性。我们随同数据集一并发布，包含标准化的划分和格式（CSV、JSON、JSONL），以支持 Amharic 检索、排序和生成建模的可重复研究。这些数据集还附带一种可推广到其他低资源语言的方法论。