开源22万条DeepSeek R1的高质量数据！你也能复现DeepSeek了

deepseek 的影响力持续发酵，中国ai军团实现了反向技术输出，引发全球复现 deepseek 的热潮。尽管 deepseek-r1 部分开源，但关键信息仍未公开。然而，技术报告已为复现提供了指导，许多团队利用小型模型取得了成功，其中 hugging face 的 open r1 项目最为引人注目。

☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜

Open R1 项目旨在完全开放复现 DeepSeek-R1，并补充所有未公开的技术细节。几周内，他们已完成 GRPO 实现、训练与评估代码以及合成数据生成器。项目地址：https://www.php.cn/link/59a6cd2175a468225a105a7cd7f20ec4

近期，Open R1 发布了 OpenR1-Math-220k 数据集，填补了 DeepSeek R1 合成数据缺口。该数据集包含 22 万条高质量数据，源自 80 万条 DeepSeek R1 推理轨迹。

OpenR1-Math-220k 数据集概览 数据集链接：https://www.php.cn/link/058d732557d3b439eb2ffdd074bbf347

DeepSeek R1 的优势在于其将高级推理能力迁移到小型模型的能力。DeepSeek 团队使用了 60 万条推理数据，证明了这种迁移能力，即使不使用强化学习也能实现强大的推理性能。OpenR1-Math-220k 数据集弥补了 DeepSeek 未公开合成数据的不足。基于该数据集训练的 Qwen-7B-Math-Instruct 模型，性能与 DeepSeek-Distill-Qwen-7B 相当。

OpenR1-Math-220k 数据集特点：

• 利用 DeepSeek R1 生成 80 万条推理轨迹，筛选后保留 22 万条高质量数据。
• 本地高效生成，利用 512 个 H100 服务器，每天生成 18 万条推理轨迹。
• 基于 NuminaMath 1.5，专注于数学推理公式。
• 自动过滤，通过数学验证和 Llama3.3-70B-Instruct 模型筛选，确保数据质量。

数据集分为 default (94k 问题) 和 extended (131k 问题) 两个部分。

AssemblyAI

转录和理解语音的AI模型

65

查看详情

Open R1 团队希望这种可扩展、高质量的推理数据生成过程能够启发其他领域。数据生成过程使用了 vLLM 和 SGLang，并对 Math-Verify 工具进行了改进，利用 Llama-3.3-70B-Instruct 模型进行二次评估，确保数据质量。数据生成脚本：https://www.php.cn/link/59a6cd2175a468225a105a7cd7f20ec4/tree/main/slurm

在 OpenR1-Math-220k 数据集上训练的 Qwen-7B-Math-Instruct 模型，与 DeepSeek-Distill-Qwen-7B 的性能相当。

Open R1 项目的成果表明，少量高质量的推理数据也能实现强大的推理能力，并引发了关于 LLM 推理机制、数据规模和 CoT 长度等问题的深入探讨。 相关研究表明，更小、更高质量的数据集可能更有效。 Open R1 团队正在进行更多实验，以优化 GRPO 训练。

参考链接：https://www.php.cn/link/ddc751074ed4db1ce8e65aec173d16e3, https://www.php.cn/link/6e3a0a9abe898f51ff56c491b528b302, https://www.php.cn/link/a87c3e8f9b58723ac1c4f6ab69c0d0c9, https://www.php.cn/link/0af07e9885819ecb85897611e758433b, https://www.php.cn/link/b8742743f35ad13e837cb8fc849f759d

以上就是开源22万条DeepSeek R1的高质量数据！你也能复现DeepSeek了的详细内容，更多请关注php中文网其它相关文章！