Reasoning V1 20M

Dataset synthétique massif de questions-réponses avec traces de raisonnement textuelles sur des sujets variés non mathématiques, destiné à entraîner des modèles à raisonner.

Télécharger le dataset

Taille

Plus de 22 millions de lignes, 35,8 milliards de tokens, format JSON/parquet

Licence

Apache 2.0

Description

‍

Reasoning V1 20M est un dataset synthétique gigantesque comprenant plus de 22 millions de questions-réponses accompagnées de traces de raisonnement. Ces exemples couvrent une grande variété de domaines comme les sciences sociales, naturelles, l’éducation, l’écriture créative, ou les conversations générales. Le format inclut une section de raisonnement encadrée par des balises <think> avant la réponse finale.

‍

À quoi sert ce dataset ?

‍

Entraîner des modèles de langage à reproduire des capacités de raisonnement complexes et diversifiées
Améliorer les performances de modèles plus petits via fine-tuning supervisé (SFT) avec des traces explicites
Évaluer la capacité des modèles à suivre un raisonnement étape par étape sur des sujets variés

‍

Peut-on l’enrichir ou l’améliorer ?

‍

Oui, bien que les traces et réponses ne soient pas vérifiées pour leur exactitude, il est possible d’ajouter une validation humaine ou automatique. On peut aussi annoter la qualité des raisonnements ou ajouter des corrections pour affiner la qualité du dataset.

‍

🔎 En résumé

Critère	Évaluation
🧩 Facilité d’utilisation	⭐⭐⭐⭐✩ (Format volumineux mais standard, nécessite ressources)
🧼 Besoin de nettoyage	⭐⭐⭐⭐✩ (Modéré : pas de validation de la qualité des réponses)
🏷️ Richesse des annotations	⭐⭐⭐✩✩ (Traces de raisonnement présentes mais non validées)
📜 Licence commerciale	✅ Oui (Apache 2.0)
👨‍💻 Idéal pour les débutants	⚠️ Non, demande de bonnes ressources et expertise
🔁 Réutilisable en fine-tuning	🎯 Excellent pour fine-tuning sur raisonnement supervisé
🌍 Diversité culturelle	⚠️ Majoritairement en anglais, diversité thématique élevée