Reasoning Corpusは、SupraLabsが公開した大規模なモデル思考データセットであり、主に教師ありファインチューニング（SFT）、モデル蒸留、および指導訓練に使用されます。 このデータセットには約500万個のサンプルが含まれており、各シーケンスの長さは5,000トークンに制限されています。各サンプルには、元のユーザープロンプト、推論軌跡、アシスタントの最終応答、ソース情報、推定トークン長、および事前フォーマットされたChatML表現が含まれています。データは、科学、数学、コーディング、論理的推論、金融と経済、医学、多言語STEMなど、複数の分野を網羅する60以上の公開推論データウェアハウスから取得されています。DeepSeek-v4、DeepSeek-r1、Qwen3、Gemma4などの主流の大規模モデルによって生成された思考連鎖データが統合されています。

データフィールド:

• repo_id: アップストリームデータソースリポジトリの識別子
• tok_len: サンプルトークン長の事前計算推定値
• ユーザー: 元のユーザープロンプトまたはタスクコマンド
• thought_trace: モデルによって生成された中間推論の思考連鎖
• アシスタント：推論プロセスから導き出された最終回答。
• ChatML: 標準のChatML形式のテキスト（フォーマット済み）