Dataset (de treino)

Dataset é a coleção de exemplos usada para treinar ou afinar um modelo de IA. Para LLMs modernos: dezenas de terabytes de texto + código + imagens, recolhidos de web (Common Crawl), livros, código (GitHub), Wikipedia. Qualidade do dataset > tamanho — modelos «pequenos» treinados com dados curados batem «gigantes» com dados ruidosos (Phi-3 da Microsoft é o exemplo paradigmático). Em fine-tuning, datasets de 100-10.000 exemplos podem ser suficientes se bem desenhados.