datasets
Training and evaluation data, with the modality, task and licence stated up front. Listed live from the Hugging Face Hub.
reviewer-lora-data
reviewer-lora-data
Training corpus for the trace Reviewer adapter
(reviewer-lora-v1.10).
trace is a research system that turns upstream security fixes into merge-ready
nixpkgs evidence bundles; see the
repository.
Contents
Each row pairs a security backport patch with the review verdict it should
receive:
Positives are valid review bundles: a backport that correctly reproduces
the human upstream fix, drawn from cert-green and reviewer-accepted entries in
the… See the full description on the dataset page: https://huggingface.co/datasets/adastracomputing/reviewer-lora-data.VibeThinker-SFT-Stage1-CoT
VibeThinker SFT Stage 1 CoT
VibeThinker 第一阶段监督微调数据。仓库当前保持私有。
数据规模
train：1,842,263 条
validation：2,816 条
internal_test：2,813 条
总计：1,847,892 条
格式
主文件为 data/sft_stage1.jsonl，每行是一个独立 JSON 对象。训练内容采用
Qwen3.5 消息格式，包含 messages、稳定记录/问题标识、领域、切分、来源与验证证据。
监督回答经过 CoT 格式检查，推理过程使用 <think>...</think> 边界。
数据处理
数据经过规范化、精确去重、近似去重、基准污染过滤、CoT 校验、稳定切分与
领域质量门禁。SFT 域比例不是硬配额：通过质量门禁的数据不会因为代码数据不足
而被额外裁剪。每个来源的许可与溯源信息保留在记录的 provenance 字段中；使用者
应按原始数据源许可审查自己的使用场景。… See the full description on the dataset page: https://huggingface.co/datasets/adasdadsd/VibeThinker-SFT-Stage1-CoT.Qwen3-Coder-SFT-2.4M
Qwen3-Coder SFT Dataset
用于微调 Qwen3-Coder-Next 的 Python 编程 SFT 数据集。
构成
train.jsonl: 2,361,724 条
val.jsonl: 124,302 条
标准 messages 格式（system/user/assistant/tool 角色），部分含 tools 字段
含工具调用 ~7.1%，<think> 推理 ~26%，中文指令 ~13%
格式
{"messages": [{"role": "system", "content": "..."}, {"role": "user", "content": "..."}, {"role": "assistant", "content": "..."}]}
含工具调用的记录额外带 tools 字段（OpenAI function-calling schema）。
加载
from datasets import… See the full description on the dataset page: https://huggingface.co/datasets/adasdadsd/Qwen3-Coder-SFT-2.4M.