CoolFace
Datasetpublic

mizinovmv/GLM-5.2-Finance-80000x-ru

GLM-5.2-Finance-80000x (RU) — очищенная версия Набор из 78 652 финансовых reasoning-трассировок на русском языке с цепочками рассуждений <think>. Подготовлен для тонкой настройки (SFT) русскоязычных LLM в финансовой области. Характеристики Параметр Значение Записей 78 652 Формат OpenAI chat (messages с role/content) Структура строго user → assistant, один ход Рассуждения <think>…</think> 100% записей Токенов (GLM-5.2 tokenizer) ~268 млн… See the full description on the dataset page: https://huggingface.co/datasets/mizinovmv/GLM-5.2-Finance-80000x-ru.

sourceHugging Faceapache-2.0updated 2mo agoView on Hugging Face
1likes21downloads
Dataset Card

GLM-5.2-Finance-80000x (RU) — очищенная версия

Набор из 78 652 финансовых reasoning-трассировок на русском языке с цепочками рассуждений <think>. Подготовлен для тонкой настройки (SFT) русскоязычных LLM в финансовой области.

Характеристики

ПараметрЗначение
Записей78 652
ФорматOpenAI chat (messages с role/content)
Структурастрого user → assistant, один ход
Рассуждения <think>…</think>100% записей
Токенов (GLM-5.2 tokenizer)~268 млн
Максимальная длина8 188 токенов (лимит 8 192)
Медиана длины3 350 токенов
p95 длины4 391 токенов

Очистка

Относительно исходных данных выполнена фильтрация и нормализация:

  • —Удалены дефектные записи — пустые ответы, обрывки вида <think>1</think>, ответы на нерелевантных языках (китайский из-за сбоев генерации) — 31 запись
  • —Удалены дубликаты по user-промпту — 174 записи
  • —Удалены записи длиннее 8192 токенов (измерено токенизатором GLM-5.2) — 255 записей
  • —Нормализованы двойные пробелы (косметический артефакт)
  • —Код, LaTeX-формулы, XML-теги, URL сохранены без изменений

Из 79 112 исходных записей осталось 78 652 (отброшено ~0,58%).

Доменное покрытие

Финансовые рынки и инвестиции, корпоративные финансы (WACC, M&A, реструктуризация), управление рисками (Basel AMA, fat-tailed risks), производные (CDS-bond basis, CVA, опционы), ипотечные ценные бумаги (MBS, DV01, конвексность), DeFi и криптовалюты (algorithmic stablecoins, MEV), налоговый и бухгалтерский учёт (ASC 842, deferred tax), ликвидность и казначейство (LCR, NSFR).

Формат данных

Каждая строка dataset.jsonl — JSON-объект:

json
{
  "messages": [
    {"role": "user", "content": "Вопрос по финансовой теме..."},
    {"role": "assistant", "content": "<think>\n1. Анализ задачи...\n2. ...\n</think>\n\nФинальный ответ..."}
  ]
}

Использование

python
from datasets import load_dataset
ds = load_dataset("mizinovmv/GLM-5.2-Finance-80000x-ru-clean", split="train")

Все записи гарантированно помещаются в контекстное окно 8192 токенов, что делает датасет совместимым со стандартными настройками SFT без дополнительной обработки.

Лицензия

Apache-2.0