OpenThoughts3-1.2M
1,2 mln śladów rozumowania — 850 tys. z matematyki, 250 tys. z kodu i 100 tys. z nauk ścisłych — z łańcuchami myśli wygenerowanymi przez QwQ-32B. Efekt ponad 1000 kontrolowanych eksperymentów nad doborem danych do rozumowania i zbiór treningowy modelu OpenThinker3-7B, najlepszego modelu rozumującego 7B trenowanego na otwartych danych (53% na AIME 2025). Referencyjna otwarta receptura destylacji zdolności rozumowania.
from datasets import load_dataset
ds = load_dataset("open-thoughts/OpenThoughts3-1.2M")Podgląd przykładowego wiersza
{
"difficulty": 7,
"source": "MATH",
"domain": "math",
"conversations": [
{ "from": "user", "value": "Find all real x such that x^4 - 5x^2 + 4 = 0." },
{ "from": "assistant", "value": "<think>Substitute y = x^2: y^2 - 5y + 4 = 0, so (y-1)(y-4)=0...</think>\nThe solutions are x = ±1 and x = ±2." }
]
}Fine-tuning z tym zbiorem danych
Szacowany VRAM do fine-tuningu z QLoRA (model bazowy 4-bit + adaptery LoRA), przy zachowawczych ustawieniach:
Pierwszy fine-tuning? Przejdź przewodnik krok po kroku: Zrób fine-tuning pierwszego LLM w godzinę
Najczęstsze pytania
Czy mogę użyć OpenThoughts3-1.2M komercyjnie?
Tak — OpenThoughts3-1.2M jest udostępniony na licencji Apache 2.0, liberalnej licencji pozwalającej na użycie komercyjne, w tym trenowanie modeli wdrażanych w produkcie. Przed publikacją sprawdź wymogi atrybucji na karcie zbioru.
Ile danych zawiera OpenThoughts3-1.2M i czy potrzebuję wszystkich?
OpenThoughts3-1.2M zawiera 1.2M Rows. Rzadko potrzebujesz całości: do fine-tuningu stylu i formatu wystarcza kilkaset–kilka tysięcy przykładów — załaduj wycinek (np. split="train[:1000]") i zwiększaj skalę tylko, gdy jakość przestaje rosnąć.
Do czego OpenThoughts3-1.2M nadaje się najlepiej?
Distilling strong math/code/science reasoning into 7B–32B models. Należy do sekcji „Rozumowanie" naszego centrum zbiorów danych, gdzie znajdziesz alternatywy i zbiory komplementarne.