Calamity228/russian-math-dialogues

🧮 Russian Math Dialogues

11 277 синтетических диалогов по математике — полностью на русском языке

∑ Считаем, доказываем, объясняем — по-русски ∫

---

📖 О датасете

Russian Math Dialogues — это коллекция из 11 277 диалогов между пользователем и ассистентом, целиком посвящённых математике и написанных на русском языке.

Русскоязычных математических данных для обучения языковых моделей заметно меньше, чем англоязычных. Этот датасет призван хотя бы немного закрыть этот пробел: здесь модель учится не просто выдавать ответ, а объяснять ход решения, вести диалог и говорить о математике естественным русским языком.

✨ Ключевые особенности

• 🇷🇺 100% русский язык — без машинного перевода с английского
• 💬 Формат диалога — готов для instruction-tuning и SFT чат-моделей
• 🧠 Пошаговые рассуждения — акцент на объяснении, а не только на ответе
• 🔍 Поле reasoning — у части реплик есть отдельная цепочка рассуждений модели
• 🤖 Разнообразие генераторов — ответы от нескольких семейств моделей, что снижает «стилистический перекос» под одну модель

---

🤖 Источники генерации

Все диалоги синтетические и сгенерированы с помощью нескольких LLM:

Модель	Примерное кол-во	Доля
🟦 Gemini 3.1 / 3.5 Flash Lite	~5 000	~44%
🐋 DeepSeek V4.1 Flash	~5 000	~44%
🟠 Claude Sonnet 4.5	~1 000	~9%
🌈 Прочие (Claude Haiku 5.5, Gemini 3.8 Flash, Gemini 3.7 Flash и др.)	~277	~3%
Итого	11 277	100%

pie showData
    title Распределение диалогов по моделям
    "Gemini 3.1 / 3.5 Flash Lite" : 5000
    "DeepSeek V4.1 Flash" : 5000
    "Claude Sonnet 4.5" : 1000
    "Прочие модели" : 277

ℹ️ Числа приблизительные — точное распределение может немного отличаться.

---

🗂️ Структура данных

Каждая запись — это один диалог в формате messages. У реплик ассистента, помимо финального ответа (content), может присутствовать поле reasoning — цепочка рассуждений модели перед ответом.

{
  "messages": [
    {
      "role": "user",
      "content": "Сэм запомнил на шесть цифр числа «пи» больше, чем Карлос. Мина запомнила в шесть раз больше цифр числа «пи», чем Карлос. Если Мина запомнила 24 цифры, сколько цифр запомнил Сэм?"
    },
    {
      "role": "assistant",
      "reasoning": "Mina remembered 6× Carlos, and Mina has 24, so Carlos = 24 / 6 = 4. Sam remembered 6 more than Carlos, so Sam = 4 + 6 = 10.",
      "content": "Давайте решим задачу по шагам:\n\n1. **Сколько цифр у Карлоса:** Мина запомнила 24 цифры — это в 6 раз больше, чем у Карлоса. Значит, $24 / 6 = 4$ цифры.\n\n2. **Сколько цифр у Сэма:** Сэм запомнил на 6 больше, чем Карлос: $4 + 6 = 10$.\n\n**Ответ:** Сэм запомнил 10 цифр числа «пи»."
    }
  ]
}

Поле	Тип	Описание
messages	list[dict]	Список реплик диалога
messages[].role	string	user или assistant
messages[].content	string	Финальный текст реплики на русском
messages[].reasoning	string (опционально)	Цепочка рассуждений ассистента перед ответом

⚠️ Про язык поля reasoning. Финальные ответы (content) всегда на русском, но рассуждения в reasoning у части моделей идут на английском. Учитывайте это: для русскоязычного обучения с явным reasoning его может понадобиться отфильтровать, перевести или использовать только content.

---

🚀 Быстрый старт

from datasets import load_dataset

ds = load_dataset("Calamity228/russian-math-dialogues", split="train")

print(ds)
print(ds[0]["messages"])

Применение chat-шаблона для обучения. Поле reasoning не входит в стандартный chat-шаблон, поэтому для обычного SFT оставляем только role и content:

from transformers import AutoTokenizer

tokenizer = AutoTokenizer.from_pretrained("your-base-model")

def format_example(example):
    # берём только role/content; reasoning отбрасываем
    msgs = [
        {"role": m["role"], "content": m["content"]}
        for m in example["messages"]
    ]
    return {
        "text": tokenizer.apply_chat_template(msgs, tokenize=False)
    }

ds = ds.map(format_example)

💡 Если вы обучаете reasoning-модель и хотите использовать цепочки рассуждений, подставьте reasoning в поле content или в thinking-блок по формату вашей базовой модели — но помните, что reasoning местами на английском.

---

🎯 Для чего подходит

• 🏋️ SFT / instruction-tuning русскоязычных чат-моделей
• 🧮 Улучшение математических навыков моделей на русском языке
• 🗣️ Обучение объяснению — модель учится рассуждать пошагово
• 🔬 Дистилляция — перенос знаний от больших моделей в компактные

---

⚠️ Ограничения

• Синтетическое происхождение. Все ответы сгенерированы LLM и не проходили полную ручную проверку — в отдельных решениях возможны математические ошибки.
• Стилистические особенности моделей. Почти 90% данных приходится на две модели (Gemini Flash Lite и DeepSeek Flash), поэтому их манера изложения преобладает.
• Проверяйте перед продакшеном. Для критичных задач рекомендуется дополнительная фильтрация (например, проверка ответов через символьные вычисления или модель-верификатор).
• Условия использования моделей. Учитывайте лицензии и условия использования моделей-генераторов, если планируете обучать на этих данных коммерческие модели.

---

📜 Лицензия

Датасет распространяется под лицензией Apache 2.0.

---

📚 Цитирование

@misc{russian_math_dialogues_2026,
  title        = {Russian Math Dialogues: Synthetic Mathematical Conversations in Russian},
  author       = {USERNAME},
  year         = {2026},
  publisher    = {Hugging Face},
  howpublished = {\url{https://huggingface.co/datasets/USERNAME/russian-math-dialogues}}
}

---

Если датасет оказался полезен — поставьте ❤️ на Hugging Face!

π ≈ 3.14159… а диалогов — ровно 11 277 🎓