Solstice-AI/Project-Solace-1.0-GLM5.2-Fable5-Opus5-DeepseekV4-Pro0813-Preview
Project Solace The largest verified frontier-model distillation corpus ever released. 60 datasets · 7 frontier model families · 12,586,893 unique conversations · One file · Zero filler The short version This is synthetic data. The best kind of synthetic data. Every example was generated by a verified 2026 frontier model — GLM-5.2, Claude Fable 5, Mythos 5, GPT-5.6 Sol, GPT-5.5 Codex, DeepSeek V4 Pro 0813, Qwen 3.8-Max, and Kimi K3 — then… See the full description on the dataset page: https://huggingface.co/datasets/Solstice-AI/Project-Solace-1.0-GLM5.2-Fable5-Opus5-DeepseekV4-Pro0813-Preview.
Thành tựu nổi bật
Những danh hiệu mới nhất của dự án
#1 Repository Của Tuần
#1 Repository Của Tháng
#1 Repository Của Tuần
🚀 Project Solace — Kho dữ liệu distill frontier lớn nhất từng được phát hành
60 nguồn · 7 gia đình mô hình frontier 2026 · 12,586,893 hội thoại duy nhất · Một tệp · Không filler
Project Solace là một bộ dữ liệu đồng hành tổng hợp (synthetic) được tạo ra bởi các mô hình frontier năm 2026 thực sự: GLM-5.2, Claude Fable 5, Mythos 5, GPT-5.6 Sol, GPT-5.5 Codex, DeepSeek V4 Pro 0813, Qwen 3.8-Max, và Kimi K3. Mỗi mẫu dữ liệu là đầu ra thực sự từ những mô hình mạnh nhất, sau đó được loại bỏ trùng lặp chính xác bằng SHA256 và xáo trộn thông minh để đảm bảo sự đại diện công bằng trong mỗi phần. Đây không chỉ là dữ liệu giả mạo — đây là kết quả từ những mô hình hàng đầu, được ghi nhận nguyên vẹn và sẵn sàng cho việc huấn luyện.
✨ Điểm nổi bật
- 12,586,893 hội thoại độc nhất: Tổng hợp từ 60 nguồn dữ liệu khác nhau, mỗi hội thoại là một phần của hành trình thực sự từ các mô hình frontier.
- Chỉ sử dụng mô hình frontier 2026: Không có bất kỳ mô hình nào trước năm 2026 — chỉ những mô hình mạnh nhất thời đại này.
- Loại bỏ trùng lặp chính xác SHA256: Được thực hiện trong và ngoài ra trên tất cả 60 nguồn, đảm bảo chất lượng dữ liệu tối ưu.
- Xáo trộn thông minh (weighted round-robin): Đảm bảo sự đại diện công bằng của các lớp dữ liệu trong mỗi cửa sổ huấn luyện.
- Định dạng JSONL theo chuẩn OpenAI messages: Hỗ trợ tải lên trực tiếp cho các nền tảng như OpenAI, HuggingFace TRL, Axolotl, LLaMA-Factory, và torchtune.
- Dữ liệu agentic, coding, reasoning, math, SWE-bench: Bao phủ toàn bộ các lĩnh vực quan trọng của trí tuệ nhân tạo hiện đại.
- Mỗi hàng đều được gắn thẻ nguồn và mô hình: Dễ dàng lọc, cân bằng lại hoặc thu thập bất kỳ lớp ví dụ nào chỉ bằng một dòng lệnh.
- Kích thước tệp nén: 34.3GB → giải nén: 137.7GB: Một tệp duy nhất chứa toàn bộ dữ liệu, tiết kiệm không gian và công sức quản lý.
💡 Vì sao đáng chú ý
Project Solace khác biệt so với các bộ dữ liệu distill thông thường bằng cách chỉ sử dụng các mô hình frontier thực sự, không phải các mô hình nhỏ hoặc không xác minh. Mỗi nguồn dữ liệu đều được kiểm chứng thủ công, đảm bảo rằng không có bất kỳ byte nào là filler. Điều này làm cho Solace trở thành một nguồn tài nguyên tin cậy cho việc huấn luyện các mô hình mở mới, nơi mỗi ví dụ đều mang lại giá trị thực sự từ trí tuệ nhân tạo hàng đầu thế giới.
#SyntheticData #Distillation #FrontierModels #OpenSource #TiniX
Dự án tương tự
Khám phá các dự án và mô hình AI khác có sự tương đồng.
Project Solace The largest verified frontier-model distillation corpus ever released. 60 datasets · 7 frontier model families · 12,586,893 unique conversations · One file · Zero filler The short version This is synthetic data. The best kind of synthetic data. Every example was generated by a verified 2026 frontier model — GLM-5.2, Claude Fable 5, Mythos 5, GPT-5.6 Sol, GPT-5.5 Codex, DeepSeek V4 Pro 0813, Qwen 3.8-Max, and Kimi K3 — then… See the full description on the dataset page: https://huggingface.co/datasets/Solstice-AI/Solace-1.0-Omni.
Project Solace The largest verified frontier-model distillation corpus ever released. 60 datasets · 7 frontier model families · 12,586,893 unique conversations · One file · Zero filler The short version This is synthetic data. The best kind of synthetic data. Every example was generated by a verified 2026 frontier model — GLM-5.2, Claude Fable 5, Mythos 5, GPT-5.6 Sol, GPT-5.5 Codex, DeepSeek V4 Pro 0813, Qwen 3.8-Max, and Kimi K3 — then… See the full description on the dataset page: https://huggingface.co/datasets/Solstice-AI/Solace-1.0-GLM5.2-Fable5-GPT5.6Sol-DeepSeekV4Pro0813-Qwen3.8Max-KimiK3-Manus.
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.
Dataset Card for Wikimedia Wikipedia Dataset Summary Wikipedia dataset containing cleaned articles of all languages. The dataset is built from the Wikipedia dumps (https://dumps.wikimedia.org/) with one subset per language, each containing a single train split. Each example contains the content of one full Wikipedia article with cleaning to strip markdown and unwanted sections (references, etc.). All language subsets have already been processed for recent dump… See the full description on the dataset page: https://huggingface.co/datasets/wikimedia/wikipedia.
Cosmopedia v0.1 Image generated by DALL-E, the prompt was generated by Mixtral-8x7B-Instruct-v0.1 Note: Cosmopedia v0.2 is available at smollm-corpus User: What do you think "Cosmopedia" could mean? Hint: in our case it's not related to cosmology. Mixtral-8x7B-Instruct-v0.1: A possible meaning for "Cosmopedia" could be an encyclopedia or collection of information about different cultures, societies, and topics from around the world, emphasizing diversity and global… See the full description on the dataset page: https://huggingface.co/datasets/HuggingFaceTB/cosmopedia.
Infinity Instruct Beijing Academy of Artificial Intelligence (BAAI) [Paper][Code][🤗] The quality and scale of instruction data are crucial for model performance. Recently, open-source models have increasingly relied on fine-tuning datasets comprising millions of instances, necessitating both high quality and large scale. However, the open-source community has long been constrained by the high costs associated with building such extensive and high-quality instruction… See the full description on the dataset page: https://huggingface.co/datasets/BAAI/Infinity-Instruct.
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.
🐋 The OpenOrca Dataset! 🐋 We are thrilled to announce the release of the OpenOrca dataset! This rich collection of augmented FLAN data aligns, as best as possible, with the distributions outlined in the Orca paper. It has been instrumental in generating high-performing model checkpoints and serves as a valuable resource for all NLP researchers and developers! Official Models Mistral-7B-OpenOrca Our latest model, the first 7B to score better overall than all… See the full description on the dataset page: https://huggingface.co/datasets/Open-Orca/OpenOrca.
📚 FineWeb-Edu 1.3 trillion tokens of the finest educational data the 🌐 web has to offer Paper: https://arxiv.org/abs/2406.17557 What is it? 📚 FineWeb-Edu dataset consists of 1.3T tokens and 5.4T tokens (FineWeb-Edu-score-2) of educational web pages filtered from 🍷 FineWeb dataset. This is the 1.3 trillion version. To enhance FineWeb's quality, we developed an educational quality classifier using annotations generated by LLama3-70B-Instruct. We… See the full description on the dataset page: https://huggingface.co/datasets/HuggingFaceFW/fineweb-edu.