deepseek-hermes-reasoning-traces
קוד פתוחr0b0tlabapache-2.02026-05-03
המאגר מרכז עקבות חשיבה ושימוש בכלים שנוצרו על ידי DeepSeek V4 Pro בפורמט ChatML. הוא מיועד למי שרוצה לאמן מודלים מקומיים לתפקד כסוכנים עצמאיים בסביבת Hermes.
- 1,259הורדות בחודש
- 43לייקים
מה זה
הנתונים כוללים 19,331 שיחות מרובות תורות שנוצרו ישירות דרך ה־API של DeepSeek V4 Pro באמצעות 96 תהליכים מקבילים. כל רשומה נבנתה עם בלוקי חשיבה מלאים בפורמט ChatML, ועברה סינון עם מנגנון לתיקון פלטי JSON שהותיר שיעור מעבר של 62 אחוז בלבד מהחומר הגולמי.
המאגר מחולק לשלושה חלקים, עם 16,431 רשומות לאימון, 1,933 לוולידציה ו־967 לבדיקה. בתוך השיחות מתועדות כ־138 אלף קריאות לכלים שונים, כשהנפוצים ביותר הם פקודות טרמינל, קריאת קבצים, חיפוש מקומי והרצת קוד, לצד פעולות ייעודיות לניהול זיכרון ומשימות של שלד Hermes.
מבחינת אורך הקשר, החלוקה הפנימית מדרגת את הרשומות לפי צריכת זיכרון, החל מגרסת nano עם כ־16 אלף דוגמאות באורך של עד 2,048 טוקנים, ועד דוגמאות ארוכות שמגיעות ל־16,384 טוקנים ומחייבות חומרת שרתים חזקה.
מתאים ל
- אימון סוכני קוד ואוטומציה
לימוד מודלים מקומיים להריץ פקודות טרמינל, לקרוא קבצים ולבצע תיקוני שגיאות בסביבת פיתוח.
- הטמעת שרשראות חשיבה
שיפור היכולת של מודלי שפה להסביר שלבי פעולה פנימיים לפני הפעלת פונקציות וכלים.
- הפעלת סוכני Hermes מקומיים
התאמת מודלים פתוחים לעבודה ישירה מול ממשקי זיכרון, ניהול משימות ותזמונים בשלד Hermes.
איפה זה נופל
כל הנתונים נוצרו בצורה סינתטית לחלוטין ממודל יחיד, מה שאומר שהטיות החשיבה והטעויות של DeepSeek V4 Pro נכנסות ישירות לאימון שלכם. השפה במאגר היא אנגלית בלבד, ואין פה ייצוג לעברית או לפקודות מקומיות. בנוסף, העובדה ש־38 אחוז מהפלט המקורי נפסל בגלל מבנה JSON לא תקין מעידה על קושי מובנה של המודל המייצר בתחביר כלים, וצריך לבדוק טוב את איכות השיחות שנשארו לפני שמשלבים אותן במוצר פעיל.
שאלות
נפוצות
האם המאגר מתאים לשימוש מסחרי?
כן, הרישיון המוגדר הוא apache-2.0 והוא מתיר שימוש מסחרי מלא באימון מודלים ובבניית מוצרים. יש להקפיד על מתן קרדיט ולצרף את נוסח הרישיון המקורי.
האם יש במאגר שיחות בעברית?
לא, המאגר מסווג וכולל נתונים באנגלית בלבד. אם המטרה היא סוכן שעובד בעברית, תצטרכו לתרגם את הנתונים או להוסיף דוגמאות עצמאיות לאימון.
כמה משאבי חומרה נדרשים כדי לאמן עליו?
הנתונים מחולקים לפי רמות זיכרון מוגדרות. רוב הרשומות נמצאות בגרסת nano של עד 2,048 טוקנים ומתאימות לכרטיס מסך בודד או למודלי 7B, אך החלקים המורכבים יותר מגיעים ל־8K ו־16K טוקנים ודורשים כרטיסים של 48GB עד 128GB.
איך נוצרו עקבות החשיבה שבדאטהסט?
המידע נוצר בצורה סינתטית על ידי הרצת 96 תהליכים מקבילים מול ה־API של DeepSeek V4 Pro. כל רשומה כוללת בלוקי חשיבה מלאים ועברה סינון קפדני לתיקון פורמט JSON.
איך טוענים
הקבצים שמורים בפורמט Parquet בחלוקה לקובצי אימון ובדיקה, ללא צורך באישור גישה מיוחד. המאגר כולל כבר סקריפטים מוכנים של Unsloth המיועדים ל־QLoRA על מודלים כמו Qwen 3.6 27B, Nemotron Omni 30B ו־Ling-2.6-flash, כך שעיקר העבודה היא התאמת אורך הרצף לזיכרון ה־GPU שלכם בהתאם לרמות שמוגדרות מראש.
from datasets import load_dataset
ds = load_dataset("r0b0tlab/deepseek-hermes-reasoning-traces")הרישיון
המאגר מופץ תחת רישיון apache-2.0, שמאפשר שימוש חופשי כולל אימון מודלים לצרכים מסחריים, שינוי והפצה מחדש. הדרישה העיקרית היא מתן קרדיט וצירוף עותק של הרישיון המקורי, בלי חובה לשחרר את תוצרי האימון או הקוד שלכם תחת אותו רישיון.
- שימוש מסחרי
- שינוי הקוד
- הפצה מחדש
- שימוש בפטנטים