SmolTalk 2 — LLM Instrukcje / SFT Dataset
The fully open post-training corpus behind SmolLM3-3B, organized into three subsets matching the model's training phases: mid-training (4.8M rows), SFT (a decontaminated mixture of ~24 datasets including OpenThoughts, Tulu 3, OpenHermes, and multilingual data), and preference (447k rows for APO). The successor to SmolTalk — a complete, reproducible recipe for modern small-model post-training including dual reasoning/no-reasoning modes.
Dataset Details
| Provider | HuggingFaceTB |
| Category | Instrukcje / SFT |
| Size | 3 Subsets (Mid 4.8M Rows) |
| License | Apache 2.0 |
| Downloads | n/a |
| Tags | Post-Training, SmolLM3, Reasoning, Multilingual, 2025 |
from datasets import load_dataset
ds = load_dataset("HuggingFaceTB/smoltalk2")
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 — General SFT for small models (the SmolLM2 recipe)
- Tulu 3 SFT Mix — Reproducing a state-of-the-art fully open post-training recipe
- 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 2 komercyjnie?
Tak — SmolTalk 2 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 2 i czy potrzebuję wszystkich?
SmolTalk 2 zawiera 3 Subsets (Mid 4.8M 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 2 nadaje się najlepiej?
Reproducing a complete modern post-training pipeline (mid-training → SFT → preference) for small models. Należy do sekcji „Instrukcje / SFT" naszego centrum zbiorów danych, gdzie znajdziesz alternatywy i zbiory komplementarne.
← Wszystkie zbiory danych | Fine-Tuning Guide