prithivMLmods/Gacrux-Tiny-1M

---
license: apache-2.0
task_categories:
- text-generation
- question-answering
language:
- en
tags:
- code-x
- code
- math
- agent
size_categories:
- 1M<n<10M
---


# **Gacrux-Tiny-1M**

> **Gacrux-Tiny-1M** is a compact, high-quality reasoning dataset curated by **prithivMLmods**, containing **~1.06M chain-of-thought reasoning traces** optimized for mathematical problem solving, algorithmic coding challenges, and structured reasoning across competitive programming tasks. This dataset is ideal for lightweight reasoning model training and benchmarking. The dataset provides real structured problem statements with detailed reasoning step-by-step solutions that demonstrate problem-solving methods relevant for AI tutoring systems, reasoning LLMs, and code-based reasoning tasks.

## Quick Start

```bash
pip install -U datasets
```

```python
from datasets import load_dataset

dataset = load_dataset("prithivMLmods/Gacrux-Tiny-1M", split="train")
```

## Dataset Overview

| Feature | Value |
| ---------------- | ---------------------------------------- |
| **Total Rows** | ~1,066,324 |
| **Approx. Size** | 12.3 GB |
| **Format** | Parquet |
| **Language** | English |
| **License** | Apache-2.0 |
| **Domains** | Math, competitive programming, reasoning |
| **Tags** | code-x, math, code, agent |

## Data Structure

* **problem**: Task description from math, programming, and logic domains
* **solution**: Chain-of-thought reasoning and final resolution

## Source Inputs

Includes reasoning from:

* **Xen-Arc AI CodeX-2M-Thinking**: [Small traces, depending on the specific problem] Code-x structured programming logic, [XenArcAI/CodeX-2M-Thinking](https://huggingface.co/datasets/XenArcAI/CodeX-2M-Thinking)
* **Math-aligned custom prompts** : [Gargantua-R1-Compact](https://huggingface.co/datasets/prithivMLmods/Gargantua-R1-Compact)
* **Hybrid algorithmic reasoning tasks**: [Gargantua-R1-Compact](https://huggingface.co/datasets/prithivMLmods/Gargantua-R1-Compact)

## Ideal Use Cases

* Fine-tuning small-to-mid scale reasoning models
* LLM alignment on stepwise chain-of-thought reasoning
* Competitive programming tutoring and explanation agents
* Math problem solver model development
* Code reasoning and debugging training frameworks

## Maintainer

| Author | Last Updated |
| --------------------------------------------------------- | ------------ |
| **[prithivMLmods](https://huggingface.co/prithivMLmods)** | **Nov 2025** |

许可证：Apache-2.0
任务类别：
- 文本生成
- 问答
语言：
- 英语
标签：
- code-x
- 代码
- 数学
- AI智能体（AI Agent）
数据规模区间：
- 100万 < 数据量 < 1000万


# **Gacrux-Tiny-1M**

> **Gacrux-Tiny-1M** 是由 **prithivMLmods** 精心构建的轻量化高质量推理数据集，包含约106万条思维链（chain-of-thought）推理轨迹，针对数学问题求解、算法编程挑战及程序设计竞赛中的结构化推理任务优化。该数据集非常适用于轻量级推理模型的训练与基准测试，提供真实的结构化问题描述与详尽的分步推理解决方案，展示适用于AI辅导系统、推理类大语言模型及基于代码的推理任务的问题求解方法。

## 快速入门

bash
pip install -U datasets

python
from datasets import load_dataset

dataset = load_dataset("prithivMLmods/Gacrux-Tiny-1M", split="train")

## 数据集概览

| 特征项 | 参数值 |
| ---------------- | ---------------------------------------- |
| **总数据行数** | 约1,066,324 |
| **近似总大小** | 12.3 GB |
| **存储格式** | Parquet |
| **语言** | 英语 |
| **许可证** | Apache-2.0 |
| **应用领域** | 数学、程序设计竞赛、推理 |
| **标签** | code-x, 代码, 数学, AI智能体（AI Agent） |

## 数据结构

* **problem**：涵盖数学、编程与逻辑领域的任务描述
* **solution**：思维链推理过程与最终解决方案

## 数据源

本数据集包含以下来源的推理数据：
* **Xen-Arc AI CodeX-2M-Thinking**：[少量推理轨迹，视具体问题而定] 代码结构化编程逻辑，数据集链接：[XenArcAI/CodeX-2M-Thinking](https://huggingface.co/datasets/XenArcAI/CodeX-2M-Thinking)
* **数学对齐自定义提示词**：数据集来源为[Gargantua-R1-Compact](https://huggingface.co/datasets/prithivMLmods/Gargantua-R1-Compact)
* **混合算法推理任务**：数据集来源为[Gargantua-R1-Compact](https://huggingface.co/datasets/prithivMLmods/Gargantua-R1-Compact)

## 理想应用场景

* 中小型规模推理模型的微调训练
* 面向分步思维链推理的大语言模型对齐
* 程序设计竞赛辅导与解释型AI智能体开发
* 数学问题求解模型构建
* 代码推理与调试训练框架

## 维护者

| 作者 | 最后更新时间 |
| --------------------------------------------------------- | ------------ |
| **[prithivMLmods](https://huggingface.co/prithivMLmods)** | **2025年11月** |

搜集汇总

数据集介绍

构建方式

Gacrux-Tiny-1M数据集由prithivMLmods团队精心策划，整合了来自XenArc AI CodeX-2M-Thinking的编程逻辑推理、Gargantua-R1-Compact的数学对齐提示以及混合算法推理任务，构建了约106万条高质量的思维链推理轨迹。每条数据包含问题描述与逐步推理解决方案，采用Parquet格式存储，总容量约为12.3GB，语言为英语，遵循Apache-2.0许可协议。

特点

该数据集以紧凑高质著称，聚焦于数学问题求解、算法编程挑战及结构化推理等核心领域。其独特之处在于提供详尽的思维链推理过程，模拟人类逐步解决问题的策略，适用于轻量级推理模型的训练与基准测试。数据覆盖代码、数学、智能体及艺术等多标签，兼具广度与深度，为AI辅导系统和代码推理任务提供了坚实的知识基础。

使用方法

用户可通过Hugging Face的datasets库快速加载该数据集，仅需执行`load_dataset("prithivMLmods/Gacrux-Tiny-1M", split="train")`即可获取训练集。数据集适用于微调中小规模推理模型、对齐大语言模型的链式思维推理能力，以及开发竞赛编程辅导代理、数学解题器和代码调试框架，为教育型AI与逻辑推理研究提供了便捷的实践工具。

背景与挑战

背景概述

在人工智能与自然语言处理领域，链式思维推理能力已成为衡量大语言模型智能水平的关键指标。由prithivMLmods团队于2025年11月创建的Gacrux-Tiny-1M数据集，聚焦于数学问题求解、算法编码挑战及结构化推理任务，提供了约106万条高质量的链式思维推理轨迹。该数据集整合了来自Xen-Arc AI CodeX-2M-Thinking的编程逻辑数据、Gargantua-R1-Compact的数学对齐提示以及混合算法推理任务，旨在为轻量级推理模型的训练与基准测试提供标准化资源。其发布填补了紧凑型推理数据集在数学与编程交叉领域的空白，对AI辅导系统、推理型大语言模型及代码推理研究具有重要推动作用。

当前挑战

Gacrux-Tiny-1M所应对的核心领域挑战在于如何高效训练具备复杂逻辑推理能力的小规模模型，以克服传统大模型在资源消耗与推理效率上的瓶颈。具体挑战包括：1）数学与编程问题中多步骤推理的完整性与一致性维护，防止推理链断裂或逻辑跳跃；2）跨领域任务（如数学证明与代码调试）的异构推理模式统一建模；3）数据构建过程中，从多个源（如CodeX-2M-Thinking与Gargantua-R1-Compact）混合并去重时，需确保推理轨迹的多样性与质量平衡，避免语义冗余或噪声引入。此外，在12.3GB的Parquet格式数据中，如何高效索引与检索百万级推理样本以支持快速微调，也是工程实现上的显著挑战。

常用场景

经典使用场景

Gacrux-Tiny-1M数据集以其约106万条高质量思维链推理轨迹著称，专为轻量级推理模型训练与基准测试设计。在数学问题求解、算法编程挑战及结构化推理等竞争性编程任务中，该数据集通过呈现真实的问题陈述与详细的逐步推理解决方案，为人工智能辅导系统、推理型大语言模型及基于代码的推理任务提供了理想的数据基础。其经典使用场景涵盖小到中型推理模型的微调、大语言模型在逐步思维链推理上的对齐训练，以及竞争性编程辅导与解释型智能体的开发。

解决学术问题

该数据集有效解决了学术研究中高质量推理数据稀缺的痛点，特别是在数学推理与算法编程领域，传统数据集往往缺乏结构化的逐步推理过程。Gacrux-Tiny-1M通过融合来自CodeX-2M-Thinking的编程逻辑、Gargantua-R1-Compact的数学对齐提示及混合算法推理任务，为研究者提供了覆盖多领域的推理轨迹库，显著推动了轻量级模型在复杂推理任务上的性能提升。其意义在于降低了推理模型训练的数据门槛，促进了可解释人工智能与教育技术领域的交叉研究。

衍生相关工作

Gacrux-Tiny-1M的发布催生了一系列衍生工作，包括基于其推理轨迹的模型蒸馏研究，旨在将大型推理模型的能力迁移至更小规模的部署模型；以及针对思维链推理的可解释性分析，探索模型在数学与编程任务中的内部决策机制。此外，该数据集还被用于构建多任务推理基准，评估不同模型在跨领域推理上的泛化能力，并推动了诸如Gargantua-R1-Compact等上游数据集的进一步优化与扩展。