Smoltalk — LLM Instrukcje / SFT Dataset
A high-quality 2025 synthetic dataset created to train the SmolLM2 family of small language models. 1 million examples covering diverse tasks, generated with careful quality filtering. Demonstrates that small models (1.7B, 360M) can achieve strong performance with the right training data.
Dataset Details
| Provider | HuggingFaceTB |
| Category | Instrukcje / SFT |
| Size | 1M Rows |
| License | Apache 2.0 |
| Downloads | 600k |
| Tags | Synthetic, 2025, Small-Models, High-Quality |
from datasets import load_dataset
ds = load_dataset("HuggingFaceTB/smoltalk")
Fine-tuning z tym zbiorem danych
Szacowany VRAM do fine-tuningu z QLoRA (model bazowy 4-bit + adaptery LoRA), przy zachowawczych ustawieniach:
| 7B QLoRA | ~6GB VRAM |
| 13B QLoRA | ~10GB VRAM |
Sprawdź, czy Twoje GPU to udźwignie →
Pierwszy fine-tuning? Przejdź przewodnik krok po kroku: Zrób fine-tuning pierwszego LLM w godzinę
Powiązane zbiory danych
- SmolTalk 2 — Reproducing a complete modern post-training pipeline (mid-training → SFT → preference) for
- No Robots — Your first fine-tune — small, clean, 100% human-written SFT data (non-commercial license)
- Python-Edu — Continued pretraining for Python code understanding
- OpenHermes 2.5 — The default general-purpose SFT mix for 7B-13B fine-tunes
Najczęstsze pytania
Czy mogę użyć Smoltalk komercyjnie?
Tak — Smoltalk 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 Smoltalk i czy potrzebuję wszystkich?
Smoltalk zawiera 1M 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 Smoltalk nadaje się najlepiej?
General SFT for small models (the SmolLM2 recipe). Należy do sekcji „Instrukcje / SFT" naszego centrum zbiorów danych, gdzie znajdziesz alternatywy i zbiory komplementarne.
← Wszystkie zbiory danych | Fine-Tuning Guide