文档首页/ 盘古大模型 PanguLargeModels/ 用户指南/ 开发Deepseek大模型/ 使用数据工程构建Deepseek大模型数据集
更新时间：2025-07-28 GMT+08:00
查看PDF
分享

使用数据工程构建Deepseek大模型数据集

构建Deepseek大模型数据集流程

在ModelArts Studio平台中，使用数据工程构建三方大模型数据集流程见表1。

表1 三方大模型数据集构建流程

流程

子流程

说明

操作指导

导入数据至盘古平台

创建导入任务

将存储在OBS服务或本地的数据导入至平台统一管理，用于后续加工或发布操作。

说明：

执行导入操作时，数据集类型需要选择“单轮问答数据”。

导入数据至盘古平台

加工其他类数据集

加工其他类数据集

通过自定义加工算子对数据进行预处理，确保数据符合模型训练的标准和业务需求。

加工其他类数据集

发布其他类数据集

发布其他类数据集

数据发布是将单个数据集发布为特定格式的“发布数据集”，用于后续模型训练等操作。

发布其他类数据集

DeepSeek数据集要求

表2 DeekSeek模型数据集格式

模型类型

训练类型

数据量

数据集格式

数据说明

DeepSeek-R1-32K

DeepSeek-V3-32k

预训练

大于15B tokens

jsonl
jsonl格式：text表示预训练所使用的文本数据，具体格式示例如下： 
{"text":"盘古大模型，包括NLP大模型、多模态大模型、CV大模型、科学计算大模型、预测大模型。"}

DeepSeek-V3-32k

微调训练（单轮问答）

1万~100万条数据

jsonl
jsonl格式：数据由问答对构成，context、target分别表示问题、答案，具体格式示例如下： 
{"context":"你好，请介绍自己","target":"我是盘古大模型"}

DeepSeek-R1-32K

微调训练（单轮问答）

1万~100万条数据

jsonl

jsonl格式：数据由问答对构成，context、target分别表示问题、答案，target中除了模型回答外，需要添加<think>\n思考过程\n</think>，表示模型的思考过程信息。

{"context":"问题","target":"<think>\n思考过程\n</think>\n\n模型回答"}

示例：

{"context":"2+2等于多少？","target":"<think>\n根据基本算术定义，2与2相加即合并两个数值；\n通过实物计数（如2个苹果加2个苹果）或数轴移动（0→2→4）验证；\n符合自然数公理体系（如2的后继为3，再后继为4）。\n</think>\n\n**答案：** 2+2=4"}