Accretion 前沿模型推理轨迹蒸馏数据集

机器学习
0 下载
22 浏览
2026-07-26

数据集简介

数据集概览

Accretion 是一个经过整理的统一 SFT 数据集,从多种架构与推理风格的前沿模型轨迹中蒸馏而来,旨在帮助基础语言模型习得前沿级别的推理与工具使用行为。数据集以对话为基本单位,每条样本均包含 source 与 category 元数据,便于追溯来源与能力分类。

统计信息

数据集共包含 29,690 条样本,规模区间标注为 10K–100K。所有样本均为英文,未经过翻译处理。

语言分布

数据集 100% 为英文,未应用任何翻译流程。

内容长度(每条消息)

每条消息的内容长度分布多样,具体统计信息可在数据集卡片中查看。

每条样本的消息数

每条样本包含的消息数中位数为 3,平均值约为 13,最小值为 2,最大值为 213。

推理与工具使用

在全部 294,182 条 assistant 消息中,包含 reasoning_content 的有 74,627 条,包含 tool_calls 的有 228,883 条,另有 160,572 条为空内容。这些字段的保留使得数据集能够有效支持推理轨迹与工具调用行为的蒸馏。

各来源细分

数据集按来源进行细分,每个来源的样本数量与类别分布可在数据集卡片中查看。

各来源的推理与工具使用

不同来源的推理与工具使用情况存在差异,具体数据可在数据集卡片中查看。

处理流程

原始轨迹经过清洗、格式统一与过滤,最终整合为 messages 格式,并保留 reasoning_content 与 tool_calls 字段。数据集按 (source, category) 在对话层面进行 90/10 分层切分,确保训练集与测试集的分布一致性。

预期用途

该数据集专为监督微调(SFT)设计,适用于希望提升模型推理、编码与调试、Agent/工具使用能力的研究者与开发者。

引用与许可

整理后的数据集本体采用 MIT 许可证,各来源数据集保留其原始许可。如需引用,请参考数据集卡片中的参考文献。

基本信息

记录数量29,690 条样本;规模区间 10K - 100K
文件大小未知
文件格式json
数据来源Predictive Singularity
样本数量29,690
语言英文
许可证MIT
发布日期2026-07-26
数据落地页https://huggingface.co/datasets/predictive-singularity/Accretion
监督微调推理蒸馏工具调用大语言模型英文数据集

上架信息

数据集市运营
平台统一选品上架,经质量审核后公开
0 次下载

价格

免费