# Generowanie danych instrukcyjnych przez LLM

EN: **LLM-generated instruction data** · id `instructiongen` · aliases: Self-Instruct, Evol-Instruct, synthetic instructions

Path: [AI Atlas](https://aiatlasgraph.com/llms.txt) › [Dane dla AI](https://aiatlasgraph.com/t/data.md) › [Dane syntetyczne i augmentacja](https://aiatlasgraph.com/t/synthetic.md) › Generowanie danych instrukcyjnych przez LLM

## Description

- PL: Model sam tworzy polecenia, dane wejściowe i odpowiedzi z kilku przykładów startowych; po odfiltrowaniu słabych i podobnych służą do dostrajania.
- EN: A model generates instructions, inputs and answers from a few seed examples; after filtering weak and near-duplicate ones they are used for fine-tuning.

## In one sentence

- PL: To tworzenie przez model nowych poleceń, materiałów wejściowych i przykładowych odpowiedzi do nauki.
- EN: This uses a model to create new instructions, inputs and example answers for learning.

## Problem it solves

- PL: Brakuje różnorodnych zadań z odpowiedziami, a ręczne pisanie każdego zajmuje dużo czasu.
- EN: You lack varied tasks with answers, and writing each one by hand takes too much time.

## What it does

- PL: Na podstawie przykładów startowych model tworzy kolejne zadania; filtrowanie usuwa słabe lub zbyt podobne propozycje.
- EN: A model uses starter examples to propose more tasks; filtering removes weak or overly similar proposals.

## Everyday example

- PL: Z kilku sprawdzonych reklamacji tworzysz dodatkowe pytania i odpowiedzi, które przeglądasz przed dostrojeniem firmowego asystenta.
- EN: You use a few checked complaints to generate extra questions and answers, then review them before adapting a workplace assistant.

## This concerns you if you…

- PL: masz mały zestaw dobrych zadań wzorcowych
- PL: chcesz przygotować więcej przykładów poleceń i odpowiedzi
- EN: have a small set of good reference tasks
- EN: want more examples of instructions and answers

## Keywords

Self-Instruct · Evol-Instruct · WizardLM · seed instructions · instruction-response pairs · instruction deduplication

## How it works

- PL: Przykłady początkowe sterują generowaniem nowych instrukcji, wejść i odpowiedzi. Filtry usuwają powtórzenia oraz niespójne pary, a zachowane przykłady trafiają do nadzorowanego dostrajania.
- EN: Seed examples guide generation of new instructions, inputs and answers. Filters remove repetitions and inconsistent pairs, and retained examples feed supervised fine-tuning.

## Limits

- PL: Generator przenosi do danych własne ograniczenia i preferencje. Filtry podobieństwa nie wykrywają wszystkich fałszywych odpowiedzi; potrzebna jest ocena na zadaniach spoza zbioru generowania.
- EN: The generator transfers its limitations and preferences into the data. Similarity filters miss some false answers; evaluation requires tasks outside the generation set.

## Key terms

- PL: **przykład początkowy**: Wzorzec zadania używany do uruchomienia generowania kolejnych przykładów.
- PL: **para instrukcja–odpowiedź**: Jednostka danych łącząca polecenie z oczekiwanym rezultatem.
- EN: **seed example**: A task example used to initiate generation of further examples.
- EN: **instruction–response pair**: A data unit linking an instruction to its expected output.

## Know first

- [Prompty i kontekst (Prompting and context engineering)](https://aiatlasgraph.com/t/prompting.md)
- [SFT / instruction tuning (Supervised fine-tuning)](https://aiatlasgraph.com/t/sft.md)

## Examples

- PL: Self-Instruct · Evol-Instruct · filtrowanie podobnych poleceń
- EN: Self-Instruct · Evol-Instruct · filtering near-duplicate instructions

## Related topics

Untyped, symmetric "see also" links.

- [Destylacja przez odpowiedzi nauczyciela (dane syntetyczne) (Sequence-level distillation from teacher outputs)](https://aiatlasgraph.com/t/seqdistill.md)
- [SFT / instruction tuning (Supervised fine-tuning)](https://aiatlasgraph.com/t/sft.md)
- [Weryfikacja i filtrowanie danych syntetycznych (Verifying and filtering synthetic data)](https://aiatlasgraph.com/t/syntheticfiltering.md)
- [Wzbogacanie próbek (Sample enhancement)](https://aiatlasgraph.com/t/dataenhance.md)

## Sources

- [Self-Instruct: Aligning Language Models with Self-Generated Instructions](<https://arxiv.org/abs/2212.10560>) `self-instruct-2022` · by Yizhong Wang, Yeganeh Kordi, Swaroop Mishra, Alisa Liu, Noah A. Smith, Daniel Khashabi, Hannaneh Hajishirzi
- [WizardLM: Empowering large pre-trained language models to follow complex instructions](<https://arxiv.org/abs/2304.12244>) `wizardlm-evol-instruct-2023` · by Can Xu, Qingfeng Sun, Kai Zheng, Xiubo Geng, Pu Zhao, Jiazhan Feng, Chongyang Tao, Qingwei Lin, Daxin Jiang
- [Best Practices and Lessons Learned on Synthetic Data](<https://arxiv.org/abs/2404.07503>) `synthetic-data-best-practices-2024` · by Ruibo Liu, Jerry Wei, Fangyu Liu, Chenglei Si, Yanzhe Zhang, Jinmeng Rao, Steven Zheng, Daiyi Peng, Diyi Yang, Denny Zhou, Andrew M. Dai

---

AI Atlas revision 122 (2026-10-30) · HTML: https://aiatlasgraph.com/t/instructiongen · index: https://aiatlasgraph.com/llms.txt · everything: https://aiatlasgraph.com/llms-full.txt · updated 2026-10-30