AM-Qwen3-Distilled
קוד פתוחa-m-teamרישיון לא דווח2025-05-19
מאגר זיקוק של 1.89 מיליון שיחות ממודל Qwen3 לאימון יכולות חשיבה. הוא מתאים למי שרוצה לאמן מודל בקוד, מתמטיקה ושיחה עם תהליכי חשיבה מובנים שנבדקו אוטומטית.
- 724הורדות בחודש
- 25לייקים
מה זה
המאגר מציג תשובות של מודל המורה Qwen3-235B-A22B לסט של 1.89 מיליון פרומפטים זהים לאלה שבמאגר המקביל של הצוות. החלוקה הפנימית מורכבת מכ־41.8% שיחה כללית, 29.5% מתמטיקה, 17.1% כתיבת קוד ועוד כ־11.6% משימות מדע, דיאלוג ומעקב אחר הוראות. הנתונים מחולקים לקבצי jsonl לפי נושאים כמו math, code, if, multiturn ו־other.
כל רשומה בנויה סביב מערך שיחה בין משתמש לעוזר, כשהתשובות מחולקות לתגיות חשיבה ותשובה סופית. הסינון עבר אימות אוטומטי ייעודי לכל תחום: מתמטיקה נבדקה בוליאנית, קוד הורץ מול מקרי בדיקה בסביבת ארגז חול, משימות מדע נמדדו באמצעות מודל שפה, מעקב הוראות נבדק עם IFEval ושיחות כלליות הוערכו במודל תגמול. בנוסף, הצוות סינן חזרות n-gram ופסל רשומות עם מדד פרפלקסיטי בעייתי דרך מודל 32B.
מתאים ל
- אימון מודלי חשיבה
לימוד מודלים קטנים לייצר שרשרת חשיבה מובנת לפני מתן פתרון במתמטיקה וקוד.
- מחקר השוואתי בזיקוק
השוואת ביצועים מול דאטהסטים אחרים שנבנו על אותם 1.89 מיליון פרומפטים בדיוק.
- אימון למעקב אחר הוראות
שימוש בקובץ if.jsonl כדי לשפר יכולת של מודל לעמוד באילוצים מוגדרים.
איפה זה נופל
הנתונים קיימים באנגלית ובסינית בלבד, ללא שום ייצוג לעברית. כל תהליך האימות והסינון נעשה באופן אוטומטי לחלוטין על ידי מודלים ובדיקות קוד, ללא בדיקה אנושית ידנית של התוצאות. היוצרים אוסרים מפורשות על שימוש מסחרי ומגבילים את המאגר למחקר בלבד, מה שפוסל אותו לחלוטין מלהיכנס למוצרים של חברות או סטארטאפים.
שאלות
נפוצות
האם מותר להשתמש במאגר לפיתוח מוצר מסחרי?
לא. היוצרים כתבו במפורש שהשימוש מותר למטרות מחקר בלבד, ואסרו כל שימוש מסחרי. חברות שרוצות לאמן מודלים למוצרים שלהן לא יכולות להשתמש בו.
האם המאגר כולל נתונים בעברית?
לא, המאגר כולל אך ורק אנגלית וסינית. כדי לאמן מודל שיפעל היטב בעברית תצטרכו להביא מקורות נתונים אחרים או לתרגם את השאילתות.
איך סוננו התשובות הלא נכונות במאגר?
הסינון בוצע אוטומטית לפי תחום. תרגילי מתמטיקה נבדקו בכלים ייעודיים, קוד הורץ ונבדק מול טסטים בסביבה מבודדת, ומשימות טקסט ושיחה נבדקו בעזרת מודלי שפה ומודל תגמול.
מה ההבדל בינו לבין AM-Thinking-v1-Distilled?
שני המאגרים משתמשים בדיוק באותם 1.89 מיליון פרומפטים ובאותם מבחני אימות. ההבדל היחיד הוא מודל המורה שייצר את התשובות, כאן התשובות נוצרו על ידי Qwen3-235B-A22B.
איך טוענים
הקבצים שמורים בפורמט jsonl ונגישים להורדה ישירה ללא צורך באישור גישה. אפשר לטעון קבצים בודדים לפי הצורך, למשל רק את קובצי הקוד או המתמטיקה. בכל רשומה חשוב לשים לב לשדות מטא-דאטה כמו think_content שמכיל את שרשרת החשיבה, answer_content עם התשובה הסופית, ו־verify_score שמציג ציון אימות מעל 0.9. שדה ה־system בחלק מהרשומות ריק, והיוצרים מציינים שהם לא השתמשו בו באימון.
from datasets import load_dataset
ds = load_dataset("a-m-team/AM-Qwen3-Distilled")הרישיון
בעמוד המאגר לא הוגדר רישיון רשמי מוכר, אך תחת סעיף המגבלות היוצרים קובעים איסור מוחלט על שימוש מסחרי ומגבילים את השימוש למחקר בלבד. חוסר ברישיון קוד פתוח מוכר לצד האיסור המסחרי אומר שמודל שיאומן עליו חשוף לסיכונים משפטיים ואינו מתאים לפיתוח מוצר מסחרי.