Датасет · mithulaartigala
Миллионы цепочек рассуждений от разных LLM
mithulaartigala/reasoning-corpus-4K-5M-v1
Отфильтрованные reasoning-трейсы от DeepSeek, Qwen, Gemma и других моделей для дистилляции в малые модели.
Что внутри
Корпус цепочек рассуждений (thought traces) от ряда моделей — DeepSeek-r1 и его вариантов, Qwen3 и других, собранных из множества репозиториев и отфильтрованных для обучения небольших языковых моделей. Язык — английский, объём — от 1 до 10 млн примеров, длина в пределах 5 тыс. токенов. В карточке перечислены колонки repo_id, tok_len, user, thought_trace, assistant и ChatML.
Что можно сделать
- Дистилляция reasoning в небольшую модель через SFT
- Обучение LoRA на цепочках рассуждений
- Фильтрация и анализ трейсов по длине и источнику
- Задачи
- Генерация текста
- Языки
- Английский
- Размер
- 1M–10M записей
- Скачиваний за месяц
- 3,9 тыс.
- Лайков
- 212
Как загрузить
from datasets import load_dataset
ds = load_dataset("mithulaartigala/reasoning-corpus-4K-5M-v1")