Celestia3-DeepSeek-R1-0528
קוד פתוחsequelboxapache-2.02025-07-01
המאגר כולל 90.9 אלף שאלות מדעיות סינתטיות עם תשובות שהופקו על ידי המודל DeepSeek R1 0528. הוא מיועד למי שרוצה לאמן מודלים על שרשראות חשיבה בתחומי המדעים המדויקים.
- 117הורדות בחודש
- 35לייקים
מה זה
הנתונים מבוססים על פרומפטים סינתטיים שנלקחו מהמאגר המקורי Celestia עבור Llama 3.1. על גבי השאלות האלה הריצו את מודל ההסקה R1 0528 של DeepSeek ושמרו את הפלטים המלאים שלו. תחומי הליבה הם פיזיקה, כימיה, ביולוגיה ומדעי המחשב, ויש גם נגיעות במדעי כדור הארץ, אסטרונומיה ותורת המידע.
היוצרים לא ערכו או סיננו את התשובות בכלל. המטרה שלהם הייתה לשקף בדיוק את התנהגות המודל במקור, כולל טעויות עובדתיות ולולאות חשיבה אינסופיות שהוא נכנס אליהן. כל המידע מחולק גולמית על פני ארבעה קבצי CSV, ללא עיבוד מקדים שמוחק תשובות שבורות או לא מדויקות.
מתאים ל
- אימון מודלי הסקה במדעים
אימון עדין של מודלים קטנים על שרשראות חשיבה בפיזיקה, כימיה ומדעי המחשב לאחר סינון.
- חקר כשלי חשיבה במודלים
ניתוח מקרים שבהם המודל נכנס ללולאות מחשבה אינסופיות או שוגה עובדתית בתשובה מדעית.
- בניית מסנני איכות לפלטים
פיתוח מסווגים שמזהים פלטים פגומים או חזרתיים שנוצרו על ידי מודלי הסקה כבדים.
איפה זה נופל
אין כאן שום סינון נתונים. היוצרים כותבים במפורש שהפלט עלול להכיל תשובות שגויות מדעית ולולאות מחשבה אינסופיות שהמודל נתקע בהן, ולכן שימוש לא מבוקר יכניס שגיאות חמורות לאימון שלכם. בנוסף, כל המידע כתוב באנגלית בלבד ונוצר באופן סינתטי לחלוטין בלי בדיקת אמת מול מומחים אנושיים.
שאלות
נפוצות
האם מותר להשתמש במאגר לפיתוח מוצר מסחרי?
כן, הרישיון הוא apache-2.0 והוא מתיר שימוש מסחרי מלא. צריך רק לשמור על הקרדיט ותנאי הרישיון המקוריים בקבצים שלכם.
האם המאגר כולל עברית או תרגום?
לא, המאגר מוגדר כ־en בלבד. כל 90.9 אלף השאלות והתשובות נוצרו באנגלית, כך שלאימון ישיר בעברית הוא לא מתאים בלי תרגום מקדים.
איך אספו את השאלות והתשובות?
הפרומפטים סונתזו במקור במסגרת פרויקט Celestia ל־Llama 3.1. התשובות נוצרו כולן על ידי מודל DeepSeek R1 0528, ללא התערבות ידנית וללא עריכה.
איך טוענים
אתם מושכים את הנתונים ישירות דרך ספריית datasets באמצעות המזהה sequelbox/Celestia3-DeepSeek-R1-0528, בלי צורך באישור גישה או מילוי טופס. המאגר מורכב משישה קבצים, מתוכם ארבעה קבצי CSV בשם Celestia3_DSR10528_Part1 עד Part4 שמחלקים ביניהם את כלל הרשומות. מומלץ לקרוא אותם עם פנדס או לחבר אותם בזיכרון, להעיף מבט במבנה העמודות של השאלות והתשובות, ולבנות סקריפט ניקוי ייעודי שיבדוק את אורך שרשראות ההסקה לפני שדוחפים אותן לטריינינג.
from datasets import load_dataset
ds = load_dataset("sequelbox/Celestia3-DeepSeek-R1-0528")הרישיון
המאגר פורסם ברישיון apache-2.0. הרישיון מאפשר שימוש מסחרי, שינוי והפצה של הנתונים, כל עוד אתם שומרים על הודעת זכויות היוצרים והרישיון המקורי. אין חובת שיתוף תחת אותו רישיון עבור נגזרות, כך שמותר לאמן עליו מודלים מסחריים סגורים.
- שימוש מסחרי
- שינוי הקוד
- הפצה מחדש
- שימוש בפטנטים