Smoltalk — LLM 指令 / 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 | 指令 / 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")
用这个数据集微调
使用 QLoRA（4-bit 基础模型 + LoRA 适配器）微调的预计显存需求（保守默认参数）：
| 7B QLoRA | ~6GB VRAM |
| 13B QLoRA | ~10GB VRAM |
检测你的 GPU 能否微调 →
微调新手？跟着分步教程走： 一小时微调你的第一个 LLM
相关数据集
- 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
常见问题
Smoltalk 可以商用吗？
可以——Smoltalk 采用 Apache 2.0 宽松许可证，允许商业使用，包括训练用于产品的模型。发布前请查看数据集卡片中的署名要求。
Smoltalk 有多少数据？需要全部使用吗？
Smoltalk 包含 1M Rows。通常不需要全部：风格和格式微调只需几百到几千条样本——先加载切片（如 split="train[:1000]"），质量到达瓶颈时再扩大规模。
Smoltalk 最适合做什么？
General SFT for small models (the SmolLM2 recipe)。它属于数据集中心的「指令 / SFT」板块，那里有替代和互补的数据集。
← 全部数据集 | Fine-Tuning Guide