Reasoning Corpus 是由 SupraLabs 发布的大模型思维链数据集，主要用于监督微调（SFT）、模型蒸馏以及指令训练。 该数据集总规模约 500 万条样本，单条序列长度控制在 5,000 个 token 以内，每个样本都包含原始用户提示、推理轨迹、最终助手响应、来源信息、估计的 token 长度以及预格式化的 ChatML 表示。数据源自 60 余个公开推理数据仓库，涵盖科学、数学、代码、逻辑推理、金融与经济、医学及多语言 STEM 等多个领域，整合了 DeepSeek-v4 、 DeepSeek-r1 、 Qwen3 、 Gemma4 等主流大模型生成的思维链数据。

数据字段:

• repo_id：上游数据源仓库标识
• tok_len：预计算的样本 token 长度估计值
• user：原始用户提示词或任务指令
• thought_trace：模型生成的中间推理思维链
• assistant：基于推理过程得出的最终回答
• ChatML：预格式化的标准 ChatML 格式文本