reasoning-1-1k

מה זה

המאגר כולל אלף ומאה וחמישים רשומות בלבד, שנבנו במיוחד עבור שלב הכוונון העדין. המטרה המוצהרת של הנתונים היא ללמד מודלי שפה לחשוב צעד אחר צעד, לפתח תהליכי הסקת מסקנות ולנתח שגיאות של עצמם תוך כדי תנועה. כל המבנה מסודר בפורמט אלפקה המוכר, שכולל בדרך כלל הוראה, קלט אופציונלי ומענה מנומק.

היוצרים בנו את הדוגמאות בעזרת הכלי distilabel מבית argilla, מה שמעיד על תהליך ייצור סינתטי או חצי סינתטי מבוקר. כל המידע שמור בקובץ פרקט יחיד תחת תצורת ברירת המחדל, בלי חלוקה מראש לקבוצות אימון, בדיקה או ולידציה נפרדות. אין בתיעוד פירוט מעבר לכך לגבי מקור הטקסטים המקורי או אופן הסינון שלהם.

מתאים ל

• אימון הסקה ראשוני

  תוספת של דפוסי חשיבה וניתוח טעויות למודל שכבר עבר אימון בסיסי.

• בדיקת היתכנות מהירה

  הרצת בדיקות על תשתית אימון עם קובץ קל משקל שרץ תוך דקות ספורות.

• הרחבת דאטהסט קיים

  ערבוב של כאלף דוגמאות מובנות אל תוך מאגר קיים בפורמט אלפקה.

איפה זה נופל

החיסרון המרכזי כאן הוא הנפח המצומצם, אלף ומאה וחמישים דוגמאות לא יספיקו לבדן לאימון מודל מלא מאפס ועלולות לגרום לשינון יתר מהיר. הנתונים קיימים באנגלית בלבד ואין בהם מילה אחת בעברית. בנוסף, הכרטיס לא מפרט אילו מודלים ייצרו את המידע דרך distilabel או מהם נושאי השאלות, כך שחובה לפתוח את הקובץ ולבדוק את איכות ההסקה בעין לפני שמכניסים אותו לתהליך עבודה.

איך טוענים

טוענים את הנתונים ישירות דרך ספריית datasets הרגילה של פייתון בפקודה פשוטה, ללא צורך באישור גישה או מפתח מיוחד כי המאגר פתוח לגמרי. הקובץ מגיע בפורמט פרקט יחיד ששוקל מעט מאוד, כך שההורדה לוקחת שניות בודדות. בגלל הגודל הזעיר, היוצרים ממליצים להגדיר באימון ארבעה עד שישה מחזורים במקום אחד עד שלושה כדי שהמודל יספיק ללמוד את דפוסי ההסקה.

from datasets import load_dataset

ds = load_dataset("fluently-sets/reasoning-1-1k")

הרישיון

המאגר מופץ תחת רישיון mit. מותר להשתמש בו לצרכים מסחריים ומחקריים, לשנות אותו, לחבר אותו עם דאטהסטים אחרים ולהפיץ תוצרים, כל עוד שומרים על תנאי הרישיון המקוריים והייחוס. מודל שתאמנו על הנתונים האלה לא מחויב להיפתח לציבור.

• שימוש מסחרי
• שינוי הקוד
• הפצה מחדש

הרישיון המלא ב־Hugging Face ↗