Sutra 10B Pretraining 是一个用于大语言模型预训练的高质量教学数据集，由 Sutra 框架生成，创建了结构化的教育内容，优化了语言模型的预训练。这是 Sutra 系列中最大的一个数据集，旨在展示密集、精心策划的数据集如何为小型语言模型提供最佳的预训练性能。

该数据集共包含 10,193,029 条教学记录，总规模超过 100 亿个 token，涵盖跨学科、技术、科学、社会研究、数学、生活技能、艺术与创意、语言艺术以及哲学与伦理学等九大领域。数据内容遵循成熟的教学范式设计，难度由基础到高级划分为 10 个等级，具备良好的层次性与系统性。