budianultra-sft

# budianultra-sft budianultra 系列模型的 **SFT 训练数据集**（最终融合版），共 **12,157 条**多轮对话。 ## 文件 | 文件 | 格式 | 说明 | |------|------|------| | `sharegpt_combined.jsonl` | ShareGPT（`conversations` / `from`,`value`） | 原始融合数据，适配 LLaMA-Factory 等框架 | | `sft_messages.jsonl` | OpenAI messages（`messages` / `role`,`content`） | 12,053 条（经角色交替校验过滤），可直接喂 SFTTrainer | ## 数据构成 | 来源 | 条数 | 说明 | |------|------|------| | zero_budian_sft | 9,923 | 自有数据集清洗去重 | | deepseek 蒸馏 | 1,433 | DeepSeek V4 Flash，spec 组合驱动（44 领域 × 38 画像 × 16 任务） | | step-3.7-flash 蒸馏 | 685 | 单调用整段对话生成 | | step-3.7-flash 精标批 | 116 | 含诚实性陷阱题（虚构书籍/时事/施压测试） | ## 风格目标 - 诚实校准：不确定明说、拒绝编造事实/引用/书名、纠正错误前提、抗施压不改口 - 结构化深度回答：结论先行、多视角后给明确立场 - 全部为 3 轮多轮对话（部分 1-2 轮），中英混合（中文为主），上下文 8k 内 ## 去重与质控 - 首轮问题 SimHash（64-bit，汉明距离 ≤6）跨源去重 - 格式校验：角色交替、首轮 user、末轮 assistant - 蒸馏样本含主题一致性过滤 ## License Apache License 2.0。数据由大模型蒸馏生成，可能残留教师模型的知识性错误，研究用途。