Deepseek-v4-pro-max-distill-1500x

מה זה

המאגר מכיל דוגמאות של שאלות, שרשרת מחשבה מפורטת ותשובה סופית. הנתונים מחולקים לשני חלקים עיקריים. החלק הראשון מכיל אלף רשומות מתחומים מעורבים כמו מדעים ברמת דוקטורט ומתמטיקה, שנלקחו מתוך מאגר נקי של מודל אחר והורצו דרך המודל של דיפסיק. החלק השני כולל 499 דוגמאות שמתמקדות אך ורק במתמטיקה מתוך מאגר ייעודי, שם נדגמו שאלות לפי רמות קושי וסוננו החוצה שאלות שהסתמכו על תמונות חסרות.

כל רשומה מגיעה עם מזהה מקורי, התחום שאליו היא שייכת, הפרומפט, טקסט ההסקה הפנימי, התשובה הסופית ופירוט צריכת הטוקנים. השפה השלטת היא אנגלית, לצד מעט תוכן רב לשוני וסינית בתחומי המדעים וההנדסה.

מתאים ל

• כוונון תהליכי הסקה

  אימון מודלים קטנים להפיק שרשרת מחשבה מסודרת לפני מתן תשובה.

• אימון ממוקד מתמטיקה

  שימוש בתת המאגר המתמטי כדי לשפר פתרון משוואות ובעיות מורכבות.

• ניתוח עלויות טוקנים

  בדיקת היחס בין כמות טוקני החשיבה לאורך התשובה הסופית לפי המטא דאטה.

איפה זה נופל

גודל המדגם זעיר ומגיע לכאלף וחמש מאות דוגמאות בלבד, כך שהוא לא מספיק כבסיס בלעדי לאימון מלא אלא רק לניסוי ראשוני או לכוונון עדין מאוד. עברית לא קיימת כאן בכלל. בנוסף, בחלק הראשון לא נעשה סינון איכות על נכונות התשובות, והחלק המתמטי מבוסס על שאלות ממבחן מוכר, מה שעלול ליצור זליגת נתונים ולהטות לטובה מבחני הערכה שתריצו על המודל.

איך טוענים

טוענים את הנתונים ישירות דרך ספריית הדאטהסטס בלי צורך באישור גישה או מפתח מיוחד. הקבצים שמורים בפורמט פרקט לצד קובץ ג'ייסון שורות, כך שהנפח זניח ומתאים לעבודה מיידית על כל מחשב. השדות המרכזיים שצריך לשלוף לאימון הם הפרומפט, שרשרת ההסקה והתשובה הסופית.

from datasets import load_dataset

ds = load_dataset("beyoru/Deepseek-v4-pro-max-distill-1500x")

הרישיון

המאגר מופץ תחת רישיון אפאצ'י שתיים אפס. מותר להשתמש בו לצרכים מסחריים ומחקר, לשנות אותו ולשלב אותו במוצרים סגורים. התנאי העיקרי הוא מתן קרדיט ושמירה על הודעות זכויות היוצרים, בלי חובה לשתף את המודל המאומן תחת אותו הרישיון.

• שימוש מסחרי
• שינוי הקוד
• הפצה מחדש
• שימוש בפטנטים

הרישיון המלא ב־Hugging Face ↗