Jackrong/DeepSeek-V4-Distill-8000x
🐳 DeepSeek-V4-Distill-8100x Dataset Summary DeepSeek-V4-Distill-8100x is a supervised fine-tuning dataset for reasoning-oriented distillation. The question prompts come from Jackrong/GLM-5.1-Reasoning-1M-Cleaned, and the answers were generated by the teacher model DeepSeek-V4-Flash. After the cleaning process, the released train split contains 7,716 high-quality JSONL examples. [!NOTE] The answer pool was cleaned to remove real-time questions… See the full description on the dataset page: https://huggingface.co/datasets/Jackrong/DeepSeek-V4-Distill-8000x.
Thành tựu nổi bật
Những danh hiệu mới nhất của dự án
#1 Repository Của Tuần
#1 Repository Của Tuần
#5 Repository Của Tuần
🐳 DeepSeek-V4-Distill-8100x — Bộ dữ liệu SFT rèn luyện tư duy luận từ DeepSeek-V4-Flash
Bộ dữ liệu giám sát học sâu (SFT) với 7.716 ví dụ chất lượng cao, sinh ra bởi mô hình giáo viên DeepSeek-V4-Flash.
DeepSeek-V4-Distill-8100x là một bộ dữ liệu được thiết kế cho việc rèn luyện có giám sát (supervised fine-tuning) hướng đến việc truyền đạt kiến thức từ mô hình giáo viên (teacher model) sang mô hình học sinh (student model). Câu hỏi được lấy từ bộ nguồn Jackrong/GLM-5.1-Reasoning-1M-Cleaned, trong khi câu trả lời được sinh bởi mô hình DeepSeek-V4-Flash. Sau quá trình làm sạch, bộ dữ liệu chứa 7.716 ví dụ JSONL chất lượng cao chỉ trong tập train.
✨ Điểm nổi bật
- Nguồn câu hỏi uy tín: Lấy từ
Jackrong/GLM-5.1-Reasoning-1M-Cleaned, tập trung vào câu hỏi yêu cầu tư duy phức tạp. - Câu trả lời từ mô hình giáo viên mạnh: Sinh bởi DeepSeek-V4-Flash, mang tính nhất quán và chiều sâu về lý luận.
- Đã được làm sạch kỹ lưỡng: Loại bỏ câu hỏi thời gian thực, liên quan đến danh tính, quá dài và các đầu vào không phù hợp.
- Định dạng JSONL chchuẩn: Dễ tích hợp vào pipeline huấn luyện SFT hiện đại.
- Hỗ trợ cả cấu trúc hội thoại và cặp input/output: Linh hoạt cho nhiều dạng huấn luyện khác nhau.
- Bao gồm siêu dữ liệu sinh học: Thông tin như số lượng token đầu vào/đầu ra, phiên bản mô hình giáo viên.
- Phù hợp cho nghiên cứu distillation hướng lý luận: Tập trung vào việc truyền đạt khả năng suy nghĩ sâu thẳng tiếp.
- Miễn phí sử dụng theo giấy phép MIT: Dễ dàng áp dụng cho cả mục đích học thuật và thương mại.
💡 Vì sao đáng chú ý
Không chỉ là một tập dữ liệu lớn, DeepSeek-V4-Distill-8100x tập trung vào chất lượng và tính ổn định thông qua quá trình lọc và làm sạch rõ ràng. Điều này giúp giảm thiểu thiên lệch phong cách và sai số kiến thức thời gian thực, khiến bộ dữ liệu trở nên tin cậy hơn cho các bài toán cần tư duy logic sâu sắc. Dự án rất phù hợp với các nhà nghiên cứu và kỹ sư muốn xây dựng hoặc tinh luyện mô hình AI với khả năng lập luận mạnh mẽ, đặc biệt trong lĩnh vực hỗ trợ giải quyết bài toán phức tạp.
#ReasoningAI #Distillation #SupervisedFineTuning #DeepSeek #TiniX
Similar Projects
Discover other similar projects and AI models.
Glint Research Dataset Card Fable 5 Pi Agent Traces A compact, high-signal corpus of Fable 5 coding-agent traces converted into Hugging Face Agent Traces / Pi-compatible sessions for Data Studio inspection, tool-use policy learning, and reasoning/action distillation. Primary Config pi_agent/train Agent Trace preview enabled 4,665 Pi trace sessions 60 source sessions 3,799 tool… See the full description on the dataset page: https://huggingface.co/datasets/Glint-Research/Fable-5-traces.
a.k.a. Awesome ChatGPT Prompts This is a Dataset Repository mirror of prompts.chat — a social platform for AI prompts. 📢 Notice This Hugging Face dataset is a mirror. For the latest prompts, features, and community contributions, please visit: 🌐 Website: prompts.chat 📦 GitHub: github.com/f/awesome-chatgpt-prompts About prompts.chat is an open-source platform where users can share, discover, and collect AI prompts from the community. The project can… See the full description on the dataset page: https://huggingface.co/datasets/fka/prompts.chat.
Dataset Card for GSM8K Dataset Summary GSM8K (Grade School Math 8K) is a dataset of 8.5K high quality linguistically diverse grade school math word problems. The dataset was created to support the task of question answering on basic mathematical problems that require multi-step reasoning. These problems take between 2 and 8 steps to solve. Solutions primarily involve performing a sequence of elementary calculations using basic arithmetic operations (+ − ×÷) to… See the full description on the dataset page: https://huggingface.co/datasets/openai/gsm8k.
News [2025/04/22] We split the data and kept only the medical SFT dataset (medical_o1_sft.json). The file medical_o1_sft_mix.json contains a mix of medical and general instruction data. [2025/02/22] We released the distilled dataset from Deepseek-R1 based on medical verifiable problems. You can use it to initialize your models with the reasoning chain from Deepseek-R1. [2024/12/25] We open-sourced the medical reasoning dataset for SFT, built on medical verifiable problems and an… See the full description on the dataset page: https://huggingface.co/datasets/FreedomIntelligence/medical-o1-reasoning-SFT.
Dataset Card for Alpaca-Cleaned Repository: https://github.com/gururise/AlpacaDataCleaned Dataset Description This is a cleaned version of the original Alpaca Dataset released by Stanford. The following issues have been identified in the original release and fixed in this dataset: Hallucinations: Many instructions in the original dataset had instructions referencing data on the internet, which just caused GPT3 to hallucinate an answer. "instruction":"Summarize… See the full description on the dataset page: https://huggingface.co/datasets/yahma/alpaca-cleaned.
Scaling Synthetic Data Creation with 1,000,000,000 Personas This repo releases data introduced in our paper Scaling Synthetic Data Creation with 1,000,000,000 Personas: We propose a novel persona-driven data synthesis methodology that leverages various perspectives within a large language model (LLM) to create diverse synthetic data. To fully exploit this methodology at scale, we introduce PERSONA HUB – a collection of 1 billion diverse personas automatically curated from web… See the full description on the dataset page: https://huggingface.co/datasets/proj-persona/PersonaHub.
APIGen Function-Calling Datasets Paper | Website | Models This repo contains 60,000 data collected by APIGen, an automated data generation pipeline designed to produce verifiable high-quality datasets for function-calling applications. Each data in our dataset is verified through three hierarchical stages: format checking, actual function executions, and semantic verification, ensuring its reliability and correctness. We conducted human evaluation over 600 sampled data points… See the full description on the dataset page: https://huggingface.co/datasets/Salesforce/xlam-function-calling-60k.
Dataset Card for Alpaca Dataset Summary Alpaca is a dataset of 52,000 instructions and demonstrations generated by OpenAI's text-davinci-003 engine. This instruction data can be used to conduct instruction-tuning for language models and make the language model follow instruction better. The authors built on the data generation pipeline from Self-Instruct framework and made the following modifications: The text-davinci-003 engine to generate the instruction data… See the full description on the dataset page: https://huggingface.co/datasets/tatsu-lab/alpaca.
Summary databricks-dolly-15k is an open source dataset of instruction-following records generated by thousands of Databricks employees in several of the behavioral categories outlined in the InstructGPT paper, including brainstorming, classification, closed QA, generation, information extraction, open QA, and summarization. This dataset can be used for any purpose, whether academic or commercial, under the terms of the Creative Commons Attribution-ShareAlike 3.0 Unported… See the full description on the dataset page: https://huggingface.co/datasets/databricks/databricks-dolly-15k.