DeepSeek的训练数据是否公开？

发布时间：2025-05-07 10:46:11 | 责任编辑：问号 | 浏览量：26 次

DeepSeek 的训练数据并没有完全公开。以下是相关信息：

未公开的训练数据

• DeepSeek 的完整训练数据集并未开源，这意味着开源社区无法基于相同的数据复现其训练过程。

• DeepSeek 的训练数据来源包括多种公开和专有数据源，例如 Common Crawl、Web Code、电子书、教育材料和 arXiv 文章等。

• DeepSeek 的部分训练数据（如推理数据）仅对内部团队可见，未对其他团队开放阅读权限。

部分公开的数据

• 2025 年 2 月，Hugging Face 领衔的 Open R1 项目发布了 OpenR1-Math-220k 数据集，这是一个基于 DeepSeek R1 生成的高质量推理数据集，包含 22 万条数据。

• 这些数据可以用来支持更小的模型，达到媲美 DeepSeek R1 的效果。

总结

DeepSeek 的训练数据并未完全公开，但部分数据集（如 OpenR1-Math-220k）已被开源社区发布，用于支持复现和研究。