Claude-Distills
קוד פתוחclzoromit2026-04-03
המאגר מרכז 140,504 שיחות מזוקקות ממודלים שונים של קלוד אחרי ניקוי כפילויות. הוא מיועד למי שרוצה לאמן מודל על תהליכי חשיבה ותשובות ברמה גבוהה בלי לאסוף בעצמו ממקורות נפרדים.
- 238הורדות בחודש
- 38לייקים
מה זה
המאגר מאחד שמונה מקורות שונים של פלטים ממודלי קלוד, בעיקר גרסאות סונט 4.6 ואופוס 4.6 או 4.7. מתוך כלל הדגימות, כ־85% מגיעים ממאגר אחד של סונט שכולל קוד, מתמטיקה, ידע כללי ופסיכולוגיה. שאר הנתונים, סביב 15%, מגיעים ממאגרי אופוס שמתמקדים במשימות חשיבה והסקה מורכבות.
המפרסם לא יצר את הנתונים בעצמו אלא ביצע התאמת מבנה וסינון. תהליך הניקוי כלל הסרה של 3,098 דוגמאות כפולות לפי תוכן שאלת המשתמש. כל רשומה מיושרת למבנה שיחה סטנדרטי של הודעות מערכת, משתמש ועוזר, לצד שדה שמציין מאיזה מאגר מקורי הגיעה הדגימה. תשובות העוזר כוללות את תהליך החשיבה לצד התשובה הסופית באמצעות תגיות ייעודיות.
מתאים ל
- אימון מודלים על שרשראות חשיבה
לימוד מודלים קטנים לייצר תהליך הסקה מפורט לפני מתן תשובה סופית.
- כוונון עדין למשימות קוד ומתמטיקה
שיפור ביצועים בפתרון בעיות טכניות בעזרת חלק הנתונים הגדול של סונט.
- מחקר על זיקוק ידע סינתטי
ניתוח ההבדלים בין איכות התשובות של גרסאות אופוס לגרסאות סונט.
איפה זה נופל
כל הנתונים במאגר הם באנגלית בלבד, ואין בו שום ייצוג לעברית. בנוסף, יש פה חוסר איזון קיצוני במקורות כשרוב מוחלט של החומר מגיע ממאגר בודד של סונט, בעוד תכני החשיבה של אופוס מהווים נתח קטן. מעבר לכך, מדובר בזיקוק של פלטים סינתטיים שנאספו מיוצרים אחרים ברשת בלי תיעוד של בקרת איכות ידנית או בדיקת דיוק של תהליכי החשיבה. לפני שימוש צריך לבדוק היטב אם התוכן לא מכיל הזיות או שגיאות שנשמרו מהפקות המקור.
שאלות
נפוצות
האם מותר להשתמש במאגר לפיתוח מוצר מסחרי?
הרישיון הרשמי בעמוד הוא MIT שמתיר שימוש מסחרי, אך בגוף התיעוד נכתב במפורש שהחומר מיועד למחקר וחינוך בלבד. בנוסף צריך לזכור שמדובר בפלטים של מודלי קלוד, ולכן אימון מסחרי עליהם דורש בדיקה מול תנאי השימוש המקוריים.
האם יש במאגר נתונים בעברית?
לא. המאגר מוגדר לשפה האנגלית בלבד וכל הדגימות שבו מבוססות על טקסט באנגלית. אם אתם מחפשים לשפר ביצועים בעברית, המאגר הזה לא ייתן מענה ישיר.
איך נאספו וסוננו הרשומות?
המפרסם אסף שמונה מאגרים ציבוריים קיימים של זיקוקי קלוד ואיחד אותם לפורמט שיחה אחיד. במהלך העיבוד הוסרו 3,098 רשומות כפולות על בסיס השוואת תוכן הפנייה של המשתמש.
מה מבנה הנתונים בתוך כל שורה?
כל שורה מכילה רשימת הודעות עם תפקידי מערכת, משתמש ועוזר, בתוספת שדה שמציין את שם המאגר שממנו נלקחה הדוגמה. תשובת העוזר בנויה כך שהיא פותחת בתהליך החשיבה עם תגיות ייעודיות ומסתיימת בתשובה.
איך טוענים
המאגר כולל קובצי JSONL כמו claude_distill.jsonl ו־claude_merged.jsonl, וטוענים אותו ישירות דרך ספריית datasets בלי צורך באישור גישה מוקדם. יש לשים לב שבדוגמת הקוד בעמוד מופיע נתיב שונה משם המאגר הנוכחי, כך שבפועל יש להזין את המזהה הרשמי clzoro/Claude-Distills. השדות החשובים לעבודה הם messages, שמכיל את חילופי הדברים והחשיבה, ו־source, שמאפשר לסנן דוגמאות לפי מודל המקור אם רוצים להתמקד רק באופוס או רק בסונט.
from datasets import load_dataset
ds = load_dataset("clzoro/Claude-Distills")הרישיון
הרישיון המוגדר במטא-דאטה הוא MIT, שמתיר שימוש מסחרי ושינויים תחת מתן קרדיט. עם זאת, בטקסט עצמו המפרסם כותב שהחומר מיועד למחקר ולחינוך בלבד ומפנה לתנאי השימוש של המקורות המקוריים. הסתירה הזו יוצרת סיכון משפטי, במיוחד אם מתכננים לאמן מודל לשימוש מסחרי.
- שימוש מסחרי
- שינוי הקוד
- הפצה מחדש