Reasoning V1 20M

Conjunto de datos sintético masivo de preguntas y respuestas con trazas de razonamiento textual sobre varios temas no matemáticos, destinado a entrenar a los modelos para que razonen.

Obtén el dataset

Tamaño

Más de 22 millones de filas, 35.800 millones de fichas, formato JSON/Parquet

Licencia

Apache 2.0

Descripción

‍

Reasoning V1 20M es un gigantesco conjunto de datos sintéticos que comprende más de 22 millones de preguntas y respuestas acompañadas de rastros de razonamiento. Estos ejemplos abarcan una amplia variedad de campos, como las ciencias sociales, las ciencias naturales, la educación, la escritura creativa o las conversaciones generales. El formato incluye una sección de razonamiento rodeada de etiquetas <think>antes de la respuesta final.

‍

¿Para qué sirve este conjunto de datos?

‍

Entrene modelos lingüísticos para replicar habilidades de razonamiento complejas y diversas
Mejora del rendimiento de los modelos más pequeños mediante un ajuste fino supervisado (SFT) con trazas explícitas
Evalúe la capacidad de los modelos para seguir el razonamiento paso a paso sobre una variedad de temas

‍

¿Se puede enriquecer o mejorar?

‍

Sí, aunque no se comprueba la precisión de los rastros y las respuestas, es posible añadir una validación humana o automática. También puedes anotar la calidad del razonamiento o añadir correcciones para mejorar la calidad del conjunto de datos.

‍

🔎 En resumen

Criterio	Evaluación
🧩 Facilidad de uso	⭐⭐⭐⭐✩ (Formato voluminoso pero estándar, requiere recursos)
🧼 Necesidad de limpieza	⭐⭐⭐⭐✩ (Moderado: sin validación de calidad de respuestas)
🏷️ Riqueza de anotaciones	⭐⭐⭐✩✩ (Rastros de razonamiento presentes pero no validados)
📜 Licencia comercial	✅ Sí (Apache 2.0)
👨‍💻 Ideal para principiantes	⚠️ No, requiere buenos recursos y expertise
🔁 Reutilizable para fine-tuning	🎯 Excelente para fine-tuning en razonamiento supervisado
🌍 Diversidad cultural	⚠️ Mayormente en inglés, alta diversidad temática