harmonic-reasoning-v1
קוד פתוחDJLougenapache-2.02026-04-09
המאגר כולל 799 דוגמאות חשיבה סינתטיות שנבנו כדי להקנות למודלים דפוסי פתרון מובנים. הוא מתמקד באיכות מחמירה עם תיקון עצמי ובדיקה חוזרת במקום אלפי דוגמאות שטחיות.
- 145הורדות בחודש
- 27לייקים
מה זה
כל רשומה היא אובייקט יחיד שמכיל בעיה, תהליך חשיבה פנימי בתוך תגיות ייעודיות, ופתרון סופי נקי. הנתונים מחולקים לתחומי מתמטיקה, מדעי המחשב, מדעים ולוגיקה, בשלוש רמות קושי: בינונית, קשה ורמת דוקטורט. לצד הטקסט ישנם מדדים מספריים כמו ספירת מילים, עומק החשיבה וציון איכות משוקלל.
התוכן נוצר כולו באופן סינתטי על ידי קלוד סונט 4 במאי 2025 תחת הנחיה נוקשה שחייבה מבנה קבוע של הבנה, בדיקת כיוונים, ביצוע ואימות. בניגוד לאיסוף פלט גולמי, התהליך כלל שלב סינון ובדיקה שדרש לפחות תיקון עצמי אחד, שיטת אימות חלופית ובחינה של שתי גישות לפתרון. דוגמאות שלא עמדו בסף נפסלו ונזרקו, כך שכל 799 הרשומות עברו את בקרת האיכות.
מתאים ל
- אימון שלב ראשון להסקה
חידוד יכולות פתרון בעיות במודלים פתוחים תוך הקניית הרגלי בדיקה עצמית.
- בסיס השוואה לבקרת איכות
שימוש במדדי הרשומות כדי לבחון ולסנן שרשראות חשיבה ממאגרים סינתטיים אחרים.
- הכשרת מודלי טיוטה קטנים
לימוד מודלים קומפקטיים לייצר תהליכי הסקה מובנים עבור פענוח ספקולטיבי.
איפה זה נופל
ההטיה הבולטת ביותר היא הריכוז במתמטיקה, שתופסת כ־74 אחוזים מכלל הרשומות, בעוד תכנות, מדעים ולוגיקה מופיעים במינון נמוך בהרבה. המאגר מוגבל לשפה האנגלית בלבד, וכל הדוגמאות הן של סיבוב שיחה יחיד ללא תמיכה בדיאלוג מתמשך. מעבר לכך, כל הדוגמאות מגיעות ממודל בודד ועלולות לשקף את הניסוחים וההטיות הפנימיות שלו. אם אתם בונים מודל צ'אט כללי, אימון רק על החומר הזה יפגע ביכולת לנהל שיחה רגילה, ולכן חובה לשלב אותו עם נתונים נוספים.
שאלות
נפוצות
האם מותר להשתמש במאגר למוצר מסחרי?
כן. הרישיון הוא אפאצ'י 2.0, שמאפשר שימוש מסחרי מלא ללא תשלום, כולל שילוב במוצרים סגורים ומכירת גישה למודל שאומן עליו. הדרישה העיקרית היא השארת תנאי הרישיון ומתן קרדיט למפרסם המקורי.
האם יש במאגר נתונים בעברית?
לא. כל הבעיות, שלבי החשיבה והפתרונות כתובים באנגלית בלבד. אם המטרה היא מודל שיודע לנמק בעברית, תצטרכו לתרגם את הנתונים או להשתמש בהם לאימון מודל רב לשוני קיים.
למה להשתמש במאגר של פחות מאלף דוגמאות?
בגלל הסינון הקפדני של הנתונים. המפרסם בחר להחזיק 799 דוגמאות בלבד שכולן כוללות תיקון עצמי, בדיקה כפולה ומסלולי חשיבה מרובים, במקום עשרות אלפי רשומות שטחיות שמלמדות את המודל לנחש.
איך נוצרו הנתונים בפועל?
התהליך התבצע באמצעות קלוד סונט 4 ממאי 2025. מנגנון יצירה ייעודי אילץ את המודל לחשוב בארבעה שלבים קבועים, וכל תשובה שלא עברה בדיקות עומק ואימות ממוחשבות נזרקה ונבנתה מחדש.
איך טוענים
טוענים את המאגר ישירות עם הפקודה הרגילה של ספריית הדאטהסטס מבית האגינג פייס, ללא צורך באישור גישה. הקובץ המרכזי שוקל מעט מאוד ומגיע בפורמט ג'ייסון שורתי. שדה השיחות מובנה ישירות לפי תבניות שיחה מקובלות ומתאים מיד לאימון בכלים כמו אנלוט' או אקסולוטל. אם רוצים לסנן לפני האימון, אפשר לגשת ישירות לשדות רמת הקושי, תחום הבעיה, או ציון האות כדי לבודד תבניות חשיבה ספציפיות.
from datasets import load_dataset
ds = load_dataset("DJLougen/harmonic-reasoning-v1")הרישיון
המאגר מופץ תחת רישיון אפאצ'י 2.0 המאפשר שימוש מסחרי ומחקרי חופשי, כולל שינוי והפצה, כל עוד שומרים על הודעת זכויות היוצרים והרישיון המקורי. אין חובת שיתוף באותו רישיון, ומודלים שתאמנו על הבסיס הזה מותרים לשימוש מסחרי מלא.
- שימוש מסחרי
- שינוי הקוד
- הפצה מחדש
- שימוש בפטנטים