claude-fable-5-code

Claude Fable 5 编码与数学数据集（非思考版）是一个包含 603 个样本的小规模文本生成数据集，专门用于编码和数学相关任务。数据集的提示词来源于另一个开源数据集 angrygiraffe/claude-opus-4.6-4.7-reasoning-8.7k 的 code_train.jsonl 分割。响应部分由 Claude Fable 5 模型于 2026 年 6 月 10 日生成，生成成本约为 75 美元。该数据集的一个关键特点是“非思考”，即模型在生成响应时未启用其适应性思考能力，因此数据中不包含任何思维链或推理过程内容。每个数据样本是一个 JSON 对象，包含三个字段：category 表示任务类别（如 coding 或 math）；messages 是一个消息列表，详细记录了辅导或编码的设置、用户提示以及 Claude Fable 5 的完整响应；model 字段标识生成模型为 claude-fable-5。该数据集适用于研究或评估大型语言模型在代码生成和数学问题解决方面的基础能力，尤其适用于不需要中间推理步骤的任务场景。

The Claude Fable 5 Coding and Mathematics Dataset (Non-Thinking Version) is a small-scale text generation dataset containing 603 samples, specifically designed for coding and mathematics-related tasks. The prompts in the dataset are sourced from the code_train.jsonl split of another open-source dataset, angrygiraffe/claude-opus-4.6-4.7-reasoning-8.7k. The responses were generated by the Claude Fable 5 model on June 10, 2026, with a generation cost of approximately $75. A key feature of this dataset is its non-thinking nature, meaning the model did not enable its adaptive thinking capabilities during response generation, so the data does not contain any chain-of-thought or reasoning process content. Each data sample is a JSON object with three fields: category indicates the task category (e.g., coding or math); messages is a list of messages that detail the tutoring or coding setup, user prompts, and the complete response from Claude Fable 5; and the model field identifies the generating model as claude-fable-5. This dataset is suitable for research or evaluation of large language models fundamental capabilities in code generation and mathematical problem-solving, particularly for task scenarios that do not require intermediate reasoning steps.

原始信息汇总

数据集概述

• 数据集名称: Claude Fable-5 Code
• 数据集大小: 603 条样本，属于小规模数据集（n<1K）
• 语言: 英语（en）
• 任务类别: 文本生成（text-generation）
• 标签: 代码（code）、Claude、Fable-5

数据集内容

• 数据来源: 提示（prompts）来自 angrygiraffe/claude-opus-4.6-4.7-reasoning-8.7k 数据集中的 code_train.jsonl 子集。
• 生成模型: 由 Claude Fable 5 模型生成，生成时间为 2026年6月10日。
• 生成成本: 生成该数据集约花费 75 美元。

数据集特点

• 该数据集为 非思考（non-thinking） 版本，不包含任何思维链（chain-of-thought）或推理内容。
• Claude Fable 5 仅支持自适应思考（adaptive thinking），在此数据集中模型决定不进行思考。

数据结构

数据集以 JSON Lines 格式存储，文件名为 code.fable-5.jsonl，每条数据包含以下字段：

字段名	类型	说明
category	字符串	任务类别，例如 coding（编码）或 math（数学）
messages	列表	一组消息，包含教学/编码设置、用户提示以及 Claude Fable 5 的回复
model	字符串	使用的模型名称，为 claude-fable-5

数据集划分

• 仅包含一个训练集（train）拆分，样本数为 603。

搜集汇总

数据集介绍

构建方式

本数据集源自于开源社区中广泛传播的编码与数学推理数据集，具体选取了`angrygiraffe/claude-opus-4.6-4.7-reasoning-8.7k`中的`code_train.jsonl`子集作为提示来源。这些原始提示被送入Claude Fable 5模型（发布于2026年6月10日的初版）进行响应生成，生成过程耗费约75美元成本，共获得603条高质量的编码与数学问答对。每条数据以JSON对象形式存储于`code.fable-5.jsonl`文件中，包含任务类别、多轮消息序列以及模型标识符三个字段。值得注意的是，该过程为一次性采集，后续因模型访问权限暂停而未能继续扩充。

特点

该数据集的独特性在于其非推理特性：虽然Claude Fable 5支持自适应思维模式，但在本数据集中模型决定不启用思维链或推理过程，因此所有响应均为直接生成的答案，不包含中间推理步骤。这种特性使得数据集特别适合用于评估模型在简洁直接回答场景下的表现。数据集规模精炼，仅有603条样本，但覆盖编码与数学两大核心领域，每条数据均附有明确的类别标签和完整的对话结构，便于下游任务的有序使用。

使用方法

该数据集适用于文本生成任务的微调与评估，尤其适合训练或测试需要直接输出代码与数学解答的语言模型。使用时可通过HuggingFace的`load_dataset`函数加载，指定配置名为`default`，并选择`train`分片。数据集中每一行的`messages`字段包含了完整的对话历史，可用于构建监督式微调样本；`category`字段可辅助按领域进行选择性训练或分析；`model`字段则记录响应来源，便于追踪模型版本影响。建议在加载后根据实际任务需求对消息结构进行适当格式化。

背景与挑战

背景概述

随着大语言模型在代码生成与数学推理领域的迅猛发展，研究者对高质量、可控的对话式训练数据的需求愈发迫切。claude-fable-5-code数据集由独立研究者在2026年6月10日构建，旨在捕获Claude Fable 5模型在非思维链模式下的编码与数学任务表现。该数据集仅包含603条样本，生成成本约75美元，其独特之处在于所有响应均为模型直接输出，不含逐步推理过程。尽管规模有限，该数据集为理解前沿模型的非推理式任务执行能力提供了珍贵的一手资料，尤其适用于对比是否引入链式思维对代码与数学任务性能的影响，对后续模型训练与评估范式具有启示意义。

当前挑战

该数据集所面对的挑战首先源于领域问题本身：在代码生成与数学推理任务中，模型通常依赖逐步推理链条来保证逻辑正确性，而本数据集特意排除了此类推理内容，使得如何确保非思维链模式的输出仍具备高准确性与可解释性成为核心难题。在构建过程中，研究者仅能在Claude Fable 5发布当天有限窗口内采集数据，模型访问即被暂停，由此导致样本量极小（603条），且无法进行后续数据扩增或质量校验。此突发性获取方式也引发了数据代表性不足、任务类别覆盖不均以及潜在输出偏差等问题，限制了其在更广泛应用场景中的推广与评估可靠性。

常用场景

经典使用场景

在代码生成与数学推理领域，claude-fable-5-code数据集提供了603条精心构造的提示与响应对，涵盖了编程与数学两类核心任务。这一数据集最经典的使用场景在于评估和微调大语言模型的代码生成能力与数学问题求解能力，尤其在无思维链（non-thinking）设定下，为研究者提供了一个纯净的输入输出映射样本集，可用于对比不同推理范式的效果差异。

解决学术问题

该数据集直面当前大语言模型研究中两个关键学术问题：其一，模型在无显式推理过程时如何保证代码与数学输出的准确性，这有助于区分模型真正的理解能力与依赖思维链的伪推理；其二，通过有限样本（603条）验证模型在封闭领域内的泛化表现，为低资源场景下的模型训练与评估提供参考。其意义在于推动研究者重新审视思维链的必要性，并为构建更高效、更经济的推理模型提供了实证基础。

衍生相关工作

claude-fable-5-code数据集的出现推动了若干衍生工作的发展，包括但不限于：基于该数据集的推理范式对比研究，如比较同一模型在有/无思维链设定下的性能差异；迁移学习实验，利用其603条高质量样本作为种子数据，结合更大规模的合成数据集进行知识蒸馏；以及模型鲁棒性测试，通过扰动输入验证模型在代码与数学任务上的稳定性。这些工作共同拓展了非思维链推理研究的边界。