CoTton 67k

Corpus de dialogues assistant/utilisateur structurés selon le format ShareGPT, mettant en valeur des raisonnements détaillés étape par étape (Chain-of-Thought).

Télécharger le dataset

Taille

67 844 exemples, 813 Mo, format JSON/ShareGPT

Licence

Apache 2.0

Description

‍

CoTton-67k est un dataset conversationnel spécialisé dans le raisonnement en langage naturel. Il contient 67 844 exemples d’échanges utilisateur-modèle au format ShareGPT. Chaque exemple met en scène un raisonnement explicite en plusieurs étapes (Chain-of-Thought), avec une grande diversité de tâches (générales, STEM, conditionnelles). Les données sont dérivées de modèles open-source (Qwen, DeepSeek, QwQ, etc.) et ont été nettoyées pour garantir une structure claire et cohérente.

‍

À quoi sert ce dataset ?

‍

Entraîner des LLMs à expliciter leur raisonnement étape par étape
Améliorer la qualité des réponses sur des tâches complexes (math, code, science)
Tester ou évaluer les capacités d’inférence des modèles dans des contextes ouverts

‍

Peut-on l’enrichir ou l’améliorer ?

‍

Oui, ce dataset peut être enrichi en ajoutant des variantes de réponses, en traduisant les échanges dans d'autres langues, ou en ajoutant une annotation des types de raisonnements. Il peut aussi être combiné à des datasets spécialisés comme OpenCodeReasoning pour un entraînement multimodal ou orienté programmation.

‍

🔎 En résumé

Critère	Évaluation
🧩 Facilité d’utilisation	⭐⭐⭐⭐⭐ (Très simple à exploiter - format ShareGPT)
🧼 Besoin de nettoyage	⭐⭐⭐⭐⭐ (Déjà nettoyé et structuré)
🏷️ Richesse des annotations	⭐⭐⭐⭐⭐ (Raisonnement complet et structuré par tour)
📜 Licence commerciale	✅ Oui (Apache 2.0)
👨‍💻 Idéal pour les débutants	🌟 Oui, facilement exploitable pour fine-tuning
🔁 Réutilisable en fine-tuning	🎯 Idéal pour renforcer le raisonnement CoT
🌍 Diversité culturelle	⚠️ Modérée – contenu générique orienté STEM