Hunter-Alpha-SFT-300000x
קוד פתוחianncityapache-2.02026-03-14
עקבות חשיבה מזוקקים מתוך מודל כדי ללמד מודלים אחרים לפתור בעיות מורכבות. המאגר מתמקד בחישובי מתמטיקה, תכנות ומדעים ברמות חשיבה גבוהות מאוד.
- 76הורדות בחודש
- 34לייקים
מה זה
המאגר כולל 308,000 עקבות חשיבה שחולצו מהמודל Hunter Alpha דרך OpenRouter, בהגדרות החשיבה high ו־xhigh. החילוץ נבנה כך שנוצר נפח כולל של כ־1.2 מיליארד תוקנים, מתוך כוונה לאמן מודלים על שרשראות חשיבה מפורטות.
התוכן מחולק בצורה ברורה לנושאים שונים. 30% מוקדשים למתמטיקה שכוללת אלגברה, חדו"א והסתברות, ועוד 30% מוקדשים לתכנות במגוון שפות כמו Rust, C++, Java, פיתוח ווב ועוד. 15% עוסקים במדעים כמו פיזיקה, כימיה וביולוגיה, 15% במדעי המחשב, וה־10% הנותרים שייכים לכתיבה יצירתית.
איסוף המידע נעשה באמצעות כלי בשם Datagen של TeichAI, בריצה שנמשכה בין 50 ל־60 שעות. הנתונים עצמם מגיעים מעורבבים ומסודרים בקובץ בפורמט jsonl שמוכן לעיבוד.
מתאים ל
- אימון מודלים לתכנות
לימוד מודלים קטנים לפתור בעיות קוד ב־Rust, C++ ו־Java בעזרת צעדי חשיבה מפורטים.
- שיפור יכולות מתמטיות
אימון על בעיות אלגברה וחדו"א שכוללות שרשראות הסקה ברמות high ו־xhigh.
- זיקוק תהליכי הסקה
העברת יכולות החשיבה של Hunter Alpha למודלים פתוחים אחרים דרך דאטהסט מובנה.
איפה זה נופל
הנתונים כולם באנגלית בלבד, ואין כאן עברית כלל. מדובר בדאטה סינתטי שנוצר באמצעות זיקוק ממודל יחיד, כך שהטיות, טעויות לוגיות או הזיות שהיו במודל המקורי עברו ישירות לתוך התוצאות. היוצר ציין כי האיסוף נעצר סביב מרץ 2026 אלא אם יימצאו פרומפטים ייחודיים נוספים, כך שאין כאן הבטחה לתחזוקה מתמשכת או עדכונים קבועים מעבר למה שנאסף. חובה לסנן ולבדוק את נכונות עקבות החשיבה לפני שמשלבים אותם במודל שמיועד לייצור.
שאלות
נפוצות
האם מותר להשתמש במאגר לצרכים מסחריים?
כן, הרישיון שמצורף למאגר הוא apache-2.0, שמאפשר שימוש מסחרי מלא. תוכלו לאמן איתו מודלים ולשלב אותם במערכות מסחריות, כל עוד אתם שומרים על תנאי הייחוס והרישיון המקורי.
האם הדאטהסט כולל שאלות ותשובות בעברית?
לא, המאגר מוגדר ומכיל טקסטים בשפה האנגלית בלבד. אם אתם מחפשים לשפר ביצועים של מודל בהסקה בעברית, תצטרכו לתרגם את הנתונים או לפנות למקורות אחרים.
איך הנתונים האלה נאספו?
הנתונים הם פלט סינתטי שיוצר דרך הפלטפורמה OpenRouter מהמודל Hunter Alpha. תהליך הדגימה נעשה באמצעות הכלי Datagen של TeichAI במשך כ־50 עד 60 שעות איסוף.
מה הגודל של המאגר מבחינת נתונים?
המאגר כולל 308,000 רשומות שמסתכמות בכ־1.2 מיליארד תוקנים. כל הנתונים נמצאים בתוך קובץ jsonl יחיד ומעורבב שזמין להורדה ישירה.
איך טוענים
טוענים את המידע ישירות באמצעות ספריית datasets של Hugging Face או על ידי קריאת הקובץ Hunter-Alpha_s_shuffled.jsonl. המאגר ציבורי לחלוטין ולא דורש אישור גישה מוקדם או מפתחות מיוחדים מעבר להורדה רגילה. כדאי להביא בחשבון את הנפח של 1.2 מיליארד תוקנים לפני שמריצים אימון מלא, כי זה דורש זיכרון ומשאבי מחשוב מתאימים לסריקת כל הרשומות.
from datasets import load_dataset
ds = load_dataset("ianncity/Hunter-Alpha-SFT-300000x")הרישיון
המאגר מפורסם תחת רישיון apache-2.0. הרישיון מתיר שימוש מסחרי, שינוי והפצה של המידע, ומאפשר לאמן עליו מודלים חופשיים או מסחריים בלי חובה לחשוף את הקוד שלכם. הדרישה העיקרית היא שמירה על הודעת הרישיון ומתן ייחוס ליוצר המקורי.
- שימוש מסחרי
- שינוי הקוד
- הפצה מחדש
- שימוש בפטנטים