Algocean/gk-synthetic-data-2026-ko

gk-synthetic-data-2026-ko.jsonl

gk-synthetic-data-2026-ko.jsonl은 외부 teacher 모델의 고급 지식과 장문 설명 능력을 한국어 SFT용으로 증류한 데이터셋이다.

• —현재 행 수: 77,408
• —한 줄 용도: 2026년 기준 고급 지식과 장문 설명 능력을 보강하기 위한 한국어 합성 SFT 데이터셋
• —주 용도: kanana 기반 지식/추론/장문 응답 모델 SFT
• —형식: JSONL, 한 줄에 하나의 학습 예시
• —스키마: {"messages":[{"role":"user","content":"..."},{"role":"assistant","content":"..."}]}
• —일부 행은 assistant 답변의 첫 부분에 공개 판단 근거 형식의 <think>...</think> 블록을 포함한다. 현재 포함 행 수는 111개이며, 닫는 태그 뒤에는 장문 최종 답변이 이어진다.

데이터 의미

user 메시지는 정책, 기술, 보안, 거시경제, 기후, 우주개발 같은 2026년 기준 고급 주제에 대한 질문이다. assistant 메시지는 한국어 장문 답변이며, 최신 사실과 일반 원리를 구분하고 실무적 함의와 한계를 함께 설명한다.

주요 주제

• —2026 AI Index와 기업 AI 도입
• —EU AI Act와 GPAI 의무
• —NIST post-quantum cryptography migration
• —OWASP GenAI/LLM 보안 리스크
• —AI 데이터센터와 전력망 이슈
• —WMO 기후 지표
• —IMF 2026 거시경제 전망
• —NASA Artemis II와 달 탐사 프로그램

품질 기준

• —메타데이터, id, source, category 같은 보조 컬럼 없음
• —역할 순서 고정: user 다음 assistant
• —raw URL, 생성 과정 설명, 자동화 흔적 제거
• —짧은 답변, 과장된 단정, 가짜 수치, 출처 없는 고유 사실 제거
• —완전 중복과 assistant 중복 제거
• —<think> 블록은 한 행에 최대 1개만 허용하며, assistant content의 시작 위치에만 둔다