ansulev/KIMI-K2.5-550000x

---
license: apache-2.0
language:
- en
size_categories:
- 100K<n<1M
task_categories:
- text-generation
- question-answering
tags:
- reasoning
- chain-of-thought
- instruction-tuning
- sft
configs:
- config_name: General-Distillation
data_files:
- split: train
path: "kimi-k2.5-main.jsonl"
- config_name: PHD-Science
data_files:
- split: train
path: "KimiK-2.5-PHD-Science.jsonl"
---

------------------------------------

# KIMI-K2.5-550000x

- 550,000 reasoning traces distilled from ```KIMI-K2.5``` on ```high``` reasoning

------------------------------------

- Distribution:

```
Coding: 60% (Includes: Webdev, Python, C++, Java, JS, C, Ruby, Lua, Rust, and C#)
Science: 15% (Physics, Chemistry, Biology) - 100k more completions in the PHD-Science subset
Math: 10% (Algebra, Calculus, Probability)
Computer Science: 5%
Logical Questions 5%
Creative Writing: 5%
```
- Token Count: ```2B```

------------------------------------

> [!NOTE]
> 
>

------------------------------------

#### Data Collection

- Collected using a modified Datagen by [TeichAI](https://huggingface.co/TeichAI) <img src="https://cdn-avatars.huggingface.co/v1/production/uploads/6837935ac3b7ffe0d2559ce9/-AxyvV4wfUY8uo87kNKkK.png" width="20" height="20" style="display: inline-block; vertical-align: middle; margin: 0 3px;">, over the course of about (20) hours

------------------------------------

#### hi - ianncity <img src="https://preview.redd.it/steam-happy-but-high-quality-v0-22ku6htw4u0c1.png?width=640&crop=smart&auto=webp&s=221735cb09dc3d4c1c7349e3187e752f6fe775e4" width="20" height="20" style="display: inline-block; vertical-align: middle; margin: 0 3px;">

许可证：Apache-2.0
语言：英语
样本量范围：10万 < 样本量 < 100万
任务类别：
- 文本生成（text-generation）
- 问答（question-answering）
标签：
- 推理（reasoning）
- 思维链（Chain-of-Thought，CoT）
- 指令微调（instruction-tuning）
- 监督微调（Supervised Fine-Tuning，SFT）
配置项：
- 配置名称：通用蒸馏（General-Distillation）
数据文件：
- 划分集：训练集（train）
文件路径："kimi-k2.5-main.jsonl"
- 配置名称：博士级科学（PHD-Science）
数据文件：
- 划分集：训练集（train）
文件路径："KimiK-2.5-PHD-Science.jsonl"

---

# KIMI-K2.5-550000x
- 本数据集包含从KIMI-K2.5模型在高难度推理任务上蒸馏得到的55万条推理轨迹。

---

- 数据分布：

编码类：60%（涵盖Web开发、Python、C++、Java、JS、C、Ruby、Lua、Rust及C#）
科学类：15%（包含物理学、化学、生物学），其中博士级科学子集中额外包含10万条完成样本
数学类：10%（涵盖代数、微积分、概率论）
计算机科学类：5%
逻辑推理题：5%
创意写作类：5%

Token总数量：20亿（2B）

---

> [!NOTE]
> 

---

#### 数据采集
- 本数据集通过由[TeichAI](https://huggingface.co/TeichAI)开发的改进版Datagen工具采集完成，采集耗时约20小时，工具头像：<img src="https://cdn-avatars.huggingface.co/v1/production/uploads/6837935ac3b7ffe0d2559ce9/-AxyvV4wfUY8uo87kNKkK.png" width="20" height="20" style="display: inline-block; vertical-align: middle; margin: 0 3px;">

---

#### 贡献者：ianncity <img src="https://preview.redd.it/steam-happy-but-high-quality-v0-22ku6htw4u0c1.png?width=640&crop=smart&auto=webp&s=221735cb09dc3d4c1c7349e3187e752f6fe775e4" width="20" height="20" style="display: inline-block; vertical-align: middle; margin: 0 3px;">