分享一篇Datawhale朋友刘聪NLP的开源成果，希望可以帮助大家。
话不多说，先放数据下载链接。
HF:
https://huggingface.co/datasets/Congliu/Chinese-DeepSeek-R1-Distill-data-110k
MS:
https://modelscope.cn/datasets/liucong/Chinese-DeepSeek-R1-Distill-data-110k
该数据集为
中文开源蒸馏满血R1的数据集
，数据集中不仅包含math数据，还包括大量的通用类型数据，
总数量为110K。
为什么开源这个数据？
R1的效果十分强大，并且基于R1蒸馏数据SFT的小模型也展现出了强大的效果，但之前群里问，貌似中文数据较少，基本上开源的R1蒸馏数据集都是英文数据，或者是非满血蒸馏数据。
这不就来了嘛！！！
其实对于有机器人的人来说，其实110K数据蒸馏也蛮快的，但巧妇难为无米之炊，大多数人可能是没有那么多资源自己本地部署一个满血版R1，这也是为什么很多蒸馏数据用的32B、7B等进行蒸馏的原因。
开这个数据，就是希望对大家有用，反正无论是做纯SFT，还是复现R1，都要有数据嘛！！
但要说的一点是，因为有很多通用数据（R1的报告中展示，蒸馏模型中同时也使用了部分通用场景数据集），所以
数据的整体长度可能没那么长，大家见谅哈
！等有机会，我再开点超长数据的（机器在哭~）。
该中文数据集中的数据分布如下：
-
-
-
-
General：共计58573，包含弱智吧、逻辑推理、小红书、知乎、Chat等。
数据集蒸馏细节
数据的prompt源来自：
