README.md

---
language:
  - zh
  - en
license: apache-2.0
task_categories:
  - text-generation
tags:
  - glm
  - distillation
  - sft
  - synthetic
pretty_name: GLM5.2 Distillation Dataset
configs:
  - config_name: zh
    data_files: ga_generated_zh.jsonl
  - config_name: en
    data_files: ga_generated_en.jsonl
---

# GLM5.2 Distillation Dataset

## 数据集描述

本数据集为 GLM5.2 蒸馏（Distillation）数据，包含中文和英文两部分，采用 `seed_driven` 策略生成，覆盖计算机科学、数学、人工智能、工程技术、医学健康等 10 个领域。可用于大语言模型的监督微调（SFT）与知识蒸馏。

## 数据规模

| 语言 | 文件 | 条目数 |
|------|------|--------|
| 中文 | `ga_generated_zh.jsonl` | 17,126 |
| 英文 | `ga_generated_en.jsonl` | 18,419 |
| **合计** | | **35,545** |

## 数据格式

每条数据为 JSON Lines 格式，字段说明如下：

| 字段 | 类型 | 说明 |
|------|------|------|
| `system` | string | 系统提示词，定义模型角色与领域 |
| `instruction` | string | 用户输入/指令 |
| `output` | string | 模型回答 |
| `metadata` | object | 元数据，包含 `strategy`（生成策略）和 `topic`（主题） |
| `scores` | object | 质量评分，包含 `correctness`、`completeness`、`clarity`（各 0-10 分） |
| `total_score` | float | 总分（三项之和，满分 30） |

### 示例

```json
{
  "system": "你是工程技术领域的专家，擅长以准确、简洁的方式回答专业问题。",
  "instruction": "什么是金属的疲劳破坏？工程上如何提高构件的疲劳寿命？",
  "output": "疲劳破坏是指金属材料在交变应力作用下...",
  "metadata": {"strategy": "seed_driven", "topic": "工程技术"},
  "scores": {"correctness": 10.0, "completeness": 9.0, "clarity": 9.0},
  "total_score": 28.0
}
```

## 主题分布

| 主题 | 中文条数 | 英文条数 |
|------|---------|---------|
| 计算机 / Computer Science | 2,998 | 3,564 |
| 数学 / Mathematics | 2,345 | 3,045 |
| 人工智能 / Artificial Intelligence | 2,188 | 2,776 |
| 社会科学 / Social Science | 1,548 | 1,573 |
| 教育学习 / Education | 1,526 | 1,617 |
| 商业管理 / Business Management | 1,468 | 1,582 |
| 自然科学 / Natural Science | 1,443 | 1,578 |
| 工程技术 / Engineering | 1,397 | 1,502 |
| 人文艺术 / Humanities & Arts | 1,144 | 1,220 |
| 医学健康 / Medicine & Health | 1,075 | 1,198 |

## 质量评分统计

### 中文（zh）

| 维度 | 均值 | 中位数 | P25 | P75 |
|------|------|--------|-----|-----|
| Correctness | 9.7 | 10.0 | 10.0 | 10.0 |
| Completeness | 9.4 | 10.0 | 9.0 | 10.0 |
| Clarity | 9.7 | 10.0 | 9.0 | 10.0 |
| **Total** | **28.8** | **30.0** | **28.0** | **30.0** |

### 英文（en）

| 维度 | 均值 | 中位数 | P25 | P75 |
|------|------|--------|-----|-----|
| Correctness | 9.5 | 10.0 | 9.0 | 10.0 |
| Completeness | 9.3 | 9.0 | 9.0 | 10.0 |
| Clarity | 9.4 | 9.0 | 9.0 | 10.0 |
| **Total** | **28.3** | **29.0** | **27.0** | **30.0** |

## 长度统计

| 语言 | 指令长度（均值/中位） | 回答长度（均值/中位） |
|------|---------------------|---------------------|
| 中文 | 76 / 58 tokens | 482 / 457 tokens |
| 英文 | 177 / 121 tokens | 1381 / 1164 tokens |

## 使用方式

```python
from datasets import load_dataset

# 加载中文数据
ds_zh = load_dataset("ViperEk/glm5.2-distill", "zh")

# 加载英文数据
ds_en = load_dataset("ViperEk/glm5.2-distill", "en")

# 也可以直接加载全部
ds = load_dataset("ViperEk/glm5.2-distill")
```