datasets
Training and evaluation data, with the modality, task and licence stated up front. Listed live from the Hugging Face Hub.
math-code-science-deepseek-r1-en
R1 Dataset Collection
Aggregated high-quality English prompts and model-generated responses from DeepSeek R1 and DeepSeek R1-0528.
Dataset Summary
The R1 Dataset Collection combines multiple public DeepSeek-generated instruction-response corpora into a single, cleaned, English-only JSONL file. Each example consists of a <|user|> prompt and a <|assistant|> response in one "text" field. This release includes:
~21,000 examples from the DeepSeek-R1-0528 Distilled Custom… See the full description on the dataset page: https://huggingface.co/datasets/Hugodonotexit/math-code-science-deepseek-r1-en.Chinese-DeepSeek-R1-Distill-data-110k
中文基于满血DeepSeek-R1蒸馏数据集（Chinese-Data-Distill-From-R1）
🤗 Hugging Face | 🤖 ModelScope | 🚀 Github | 📑 Blog
注意：提供了直接SFT使用的版本，点击下载。将数据中的思考和答案整合成output字段，大部分SFT代码框架均可直接直接加载训练。
本数据集为中文开源蒸馏满血R1的数据集，数据集中不仅包含math数据，还包括大量的通用类型数据，总数量为110K。
为什么开源这个数据？
R1的效果十分强大，并且基于R1蒸馏数据SFT的小模型也展现出了强大的效果，但检索发现，大部分开源的R1蒸馏数据集均为英文数据集。 同时，R1的报告中展示，蒸馏模型中同时也使用了部分通用场景数据集。
为了帮助大家更好地复现R1蒸馏模型的效果，特此开源中文数据集。
该中文数据集中的数据分布如下：… See the full description on the dataset page: https://huggingface.co/datasets/Congliu/Chinese-DeepSeek-R1-Distill-data-110k.Chinese-DeepSeek-R1-Distill-data-110k-SFT
中文基于满血DeepSeek-R1蒸馏数据集（Chinese-Data-Distill-From-R1）
🤗 Hugging Face | 🤖 ModelScope | 🚀 Github | 📑 Blog
注意：该版本为，可以直接SFT使用的版本，将原始数据中的思考和答案整合成output字段，大部分SFT代码框架均可直接直接加载训练。
本数据集为中文开源蒸馏满血R1的数据集，数据集中不仅包含math数据，还包括大量的通用类型数据，总数量为110K。
为什么开源这个数据？
R1的效果十分强大，并且基于R1蒸馏数据SFT的小模型也展现出了强大的效果，但检索发现，大部分开源的R1蒸馏数据集均为英文数据集。 同时，R1的报告中展示，蒸馏模型中同时也使用了部分通用场景数据集。
为了帮助大家更好地复现R1蒸馏模型的效果，特此开源中文数据集。该中文数据集中的数据分布如下：
Math：共计36568个样本，
Exam：共计2432个样本，
STEM：共计12648个样本，… See the full description on the dataset page: https://huggingface.co/datasets/Congliu/Chinese-DeepSeek-R1-Distill-data-110k-SFT.DeepSeek-V4-Pro-Reasoning-8000x
DeepSeek-V4-Pro-Reasoning-8000x
This dataset contains 8,014 synthetic reasoning examples generated with DeepSeek V4 Pro through the DeepSeek API.
The release is branded as 8000x for readability, while the exact row count is 8,014.
This dataset is designed for supervised fine-tuning, reasoning distillation, and experimentation with long-form visible reasoning traces.
Dataset Summary
Release label: 8000x
Actual rows: 8,014
Teacher model: DeepSeek-V4-Pro… See the full description on the dataset page: https://huggingface.co/datasets/trjxter/DeepSeek-V4-Pro-Reasoning-8000x.deepseek-v4-pro-math-cot-1k
DeepSeek V4 Pro Math CoT 1K
A small, high-signal supervised-fine-tuning (SFT) dataset of math reasoning traces. Problems were sampled from a Nemotron math problem set (originally sourced from StackExchange-Math and AoPS), answered by DeepSeek V4 Pro with thinking enabled at high reasoning effort, then independently reviewed by DeepSeek V4 Flash for correctness against the expected answer. Pathological reasoning traces (looping, run-away length, excessive Wait-style backtracking)… See the full description on the dataset page: https://huggingface.co/datasets/blythet/deepseek-v4-pro-math-cot-1k.hwtcm-deepseek-r1-distill-data
简介
DeepSeek蒸馏的传统中医数据集，原始数据来源于网络，未进行人工审查。
7B模型微调效果
模型表现出了推理能力，准确性有待继续验证。
我们的其他产品
中医NER：能识别方剂、本草、来源、病名、症状、证型，也许是基于BERT开源模型中识别最好的模型。中医考试题：也许是全网最早开源、数据最多的中医考试题，我们内部将其用于模型训练的性能评测数据集。中医SFT数据集：中医QA数据集，用于SFT微调。仓公：基于Qwen的指令微调模型（暂未开源）。仓公R1：基于DeepSeek蒸馏的超过100万条QA的指令微调模型，拥有强大的推理能力（暂未开源）。
。。。还有很多
Citation
If you find this project useful in your research, please consider cite:
@misc{hwtcm2024,
title={{hwtcm-deepseek-r1-distill-data} A traditional… See the full description on the dataset page: https://huggingface.co/datasets/Monor/hwtcm-deepseek-r1-distill-data.DeepSeek-R1-Distill-Qwen-32B-LeaPPaper: Learning from Peers in Reasoning Models
Project Page: https://learning-from-peers.github.io/
Code: https://github.com/tongxuluo/LeaP
deepseek-v4-pro-pi-reasoning-sample-traces
DeepSeek V4 Pro Pi Reasoning Sample Traces
This dataset contains a compact sample of successful DeepSeek V4 Pro teacher trajectories for Pi-style reasoning and tool-use workflows.
It includes selected pass-only traces from these task providers:
abcbench
aider
autocodebench
bfcl
swebench
swtbench
termigen
Format
Each row contains:
id: stable sample id
segments: Qwen-style template-free supervised segments
label=false segments are context only
label=true segments… See the full description on the dataset page: https://huggingface.co/datasets/bytkim/deepseek-v4-pro-pi-reasoning-sample-traces.Chinese-DeepSeek-V3.2-Exp-chat-example
deepseek/deepseek-v3.2-exp (6.6K) 中文数据集样本
一、前言
本报告基于 deepseek/deepseek-v3.2-exp 模型（官方 API，8K 上下文窗口）进行数据集评测与可视化展示。测试数据集共包含 6,655 轮对话，语言覆盖以中文为主，辅以部分混合语种及非中文输入。本次报告旨在总结模型的对话特征、输入输出长度分布及上下文预算消耗情况，并为后续应用和优化提供参考。
二、数据与方法
数据来源：用户构建的 6,655 轮真实中文对话样本。
估算方法：
中文字符近似为 1 Token；
英文 4 字符 ≈ 1 Token；
用于规模与上下文预算对比，而非精确 Token 计数。
统计维度：
平均 Prompt/Output 长度（字符与估算 Token）；
总 Token 占上下文窗口比例；
语言分布（Prompt 语言类型）；
对话长度分布（用户提问、助手回答、总对话长度）。
三、总体结果
1. 样本概况… See the full description on the dataset page: https://huggingface.co/datasets/Jackrong/Chinese-DeepSeek-V3.2-Exp-chat-example.DeepSeek-v3.1-reasoner-Distilled-math-samples
DeepSeek-V3.1 Distillation with NVIDIA Nemotron-Post-Training-Dataset-v2 (Math Subset)
The release of DeepSeek-V3.1 has attracted wide attention in the AI community. Its significant improvements in reasoning ability provide a new opportunity to explore optimization of domain-specific models. To investigate the potential of this model in complex mathematical reasoning tasks, I selected the math subset from NVIDIA’s newly released Nemotron-Post-Training-Dataset-v2 as seed problems and… See the full description on the dataset page: https://huggingface.co/datasets/Jackrong/DeepSeek-v3.1-reasoner-Distilled-math-samples.Chinese-DeepSeek-R1-Distill-data-110k
中文基于满血DeepSeek-R1蒸馏数据集（Chinese-Data-Distill-From-R1）
🤗 Hugging Face | 🤖 ModelScope | 🚀 Github | 📑 Blog
注意：提供了直接SFT使用的版本，点击下载。将数据中的思考和答案整合成output字段，大部分SFT代码框架均可直接直接加载训练。
本数据集为中文开源蒸馏满血R1的数据集，数据集中不仅包含math数据，还包括大量的通用类型数据，总数量为110K。
为什么开源这个数据？
R1的效果十分强大，并且基于R1蒸馏数据SFT的小模型也展现出了强大的效果，但检索发现，大部分开源的R1蒸馏数据集均为英文数据集。 同时，R1的报告中展示，蒸馏模型中同时也使用了部分通用场景数据集。
为了帮助大家更好地复现R1蒸馏模型的效果，特此开源中文数据集。
该中文数据集中的数据分布如下：… See the full description on the dataset page: https://huggingface.co/datasets/ArkhAngelLifeJiggy/Chinese-DeepSeek-R1-Distill-data-110k.DeepSeek-V3.2-Exp-reasoning-example
🐳 DeepSeek-V3.2-Exp-reasoning vs DeepSeek-R1-0528: Math Reasoning Comparison 🍎
Note: DeepSeek-R1-0528 has no explicit chain-of-thought, while deepseek-ai/DeepSeek-V3.2-Exp (abbrev. V3.2-Exp) produces answers with structured derivations. This report was analyzed by GPT-5-Extended-Thinking. The sample size is small; conclusions are for reference only.
Author: Soren
1. Executive Summary
Sample size: 208 problems (mixed types).
Average steps (reasoning… See the full description on the dataset page: https://huggingface.co/datasets/Jackrong/DeepSeek-V3.2-Exp-reasoning-example.cleand_sequelbox_Celestia3-DeepSeek-R1-0528元データ: https://huggingface.co/datasets/sequelbox/Celestia3-DeepSeek-R1-0528
データ件数: 88,443
平均トークン数: 2143
最大トークン数: 31,680
合計トークン数: 189,577,005
ファイル形式: JSONL
ファイルサイズ: 812.4 MB
Deepseek-V3-Distilled-Ancient-Chinese-Translation
Dataset Card
这是一个文言文/白话文互译的高质量数据集，翻译精准，理由充分。总共有70K条数据，通过Deepseek-V3蒸馏获得。
Dataset Card Authors
Shen ZhuoKang From ECNU
Dataset Card Contact
10235101553@stu.ecnu.edu.cn
DeepSeek-R1-Distill-Data-5kChinese-DeepSeek-R1-Distill-data-110k
中文基于满血DeepSeek-R1蒸馏数据集（Chinese-Data-Distill-From-R1）
🤗 Hugging Face | 🤖 ModelScope | 🚀 Github | 📑 Blog
注意：提供了直接SFT使用的版本，点击下载。将数据中的思考和答案整合成output字段，大部分SFT代码框架均可直接直接加载训练。
本数据集为中文开源蒸馏满血R1的数据集，数据集中不仅包含math数据，还包括大量的通用类型数据，总数量为110K。
为什么开源这个数据？
R1的效果十分强大，并且基于R1蒸馏数据SFT的小模型也展现出了强大的效果，但检索发现，大部分开源的R1蒸馏数据集均为英文数据集。 同时，R1的报告中展示，蒸馏模型中同时也使用了部分通用场景数据集。
为了帮助大家更好地复现R1蒸馏模型的效果，特此开源中文数据集。该中文数据集中的数据分布如下：
Math：共计36568个样本，
Exam：共计2432个样本，
STEM：共计12648个样本，… See the full description on the dataset page: https://huggingface.co/datasets/yifeng222/Chinese-DeepSeek-R1-Distill-data-110k.