GitHub ↗

SYNTHETIC DATA GENERATION LIBRARY

Данные для
обучения мыслить.

re-rl — Python-библиотека для генерации синтетических данных для reasoning. Создавайте задачи с пошаговыми решениями и проверяемыми ответами для обучения LLM и VLM.

Попробовать задачу ↗Начать с Python →
BUILT FORPretrainSFTRLVLM
REASONING SPACE / 001● ONLINE
INPUT → TRACE → ANSWERОдин ответ. Видимый путь.
✓ Данные, у которых есть логика.
—типов задач в реестрах
—визуальных генераторов
01—10уровней сложности
RU / ENязыки генерации

START WITH A SKILL

Что должна научиться
делать ваша модель?

Выберите навык — и сразу откройте понятный пример. Эти подборки помогают познакомиться с задачами, прежде чем собирать собственный датасет.

ОДИН ПРИМЕР В ДАТАСЕТЕ

Что именно генерирует re-rl?

Варианты создаются программно по правилам конкретной задачи. У каждого примера есть условие, вычисленное решение и эталонный ответ.

  1. 01УсловиеЧисла, правила, состояние или изображение.
  2. 02Ход решенияПромежуточные состояния, вычисления и трейс алгоритма.
  3. 03Эталонный ответВычисленный результат и метод проверки ответа.

01 / THE TASK UNIVERSE

Разные миры.
Общая цель — рассуждать.

Алгоритмы, физические модели, обучение и визуальная логика. Выберите направление и исследуйте, из чего складывается библиотека.

ВЫБЕРИТЕ УЗЕЛ, ЧТОБЫ ИССЛЕДОВАТЬ ↗

02 / INSIDE THE REASONING

От условия
к ходу решения.

Посмотрите, как выглядит настоящий результат библиотеки. Меняйте сложность, язык и пример. Раскрывайте решение по шагам.

TASK INSTANCE
УСЛОВИЕ

REASONING TRACE / TRAINING OUTPUT

    03 / REASONING YOU CAN SEE

    Когда условие —
    это изображение.

    Графы, схемы, диаграммы и пространственные головоломки. Изображения ниже созданы реальными VLM-генераторами проекта.

    IMAGE + QUESTION + ANSWER

    04 / EXPLORE THE LIBRARY

    Найдите следующий
    навык для модели.

    Полный каталог из реестров проекта. 1022 типа задач. У 26 — расширенные разборы с вариантами, уровнями и решениями; у остальных — описание и пример условия с ответом.

    /
    REGISTRY SNAPSHOT / PYTHON → WEB

    05 / FROM GENERATOR TO DATASET

    Один проект.
    Несколько этапов обучения.

    01 / PRETRAIN

    Прочитать и связать

    Текстовые примеры с условием и решением для обучения на последовательностях.

    generate_pretrain_dataset()
    02 / SFT

    Показать способ

    Instruction, input, output и chat-формат с последовательностью шагов решения.

    generate_sft_dataset()
    03 / RL

    Учиться на проверке

    Вопрос и эталонный ответ для GRPO; методы verify() у классов задач.

    generate_grpo_dataset()
    04 / VLM

    Увидеть и объяснить

    PNG, текстовое условие и решение в одной мультимодальной записи.

    generate_vlm_dataset()

    ONE EXAMPLE / DIFFERENT FORMATS

    Как задача становится
    обучающей записью

    Один пример из лаборатории, представленный в разных форматах. Это обучающая запись текущего примера. Поля instruction, input и output сформированы тем же Python-экспортёром, который собирает SFT-датасет.

    TRAINING RECORD / JSON
    Соберите свой набор: выберите семейства, настройте параметры и сложность, сохраните данные в формате вашего обучения.
    

    06 / MAKE IT YOUR DATA
    Ваш следующий
    датасет начинается
    с нескольких строк.
    Python-библиотека. Открытый код. MIT license.
    Настройте набор задач под свой эксперимент.
    Открыть документацию ↗
    QUICKSTART.PY
    $ pip install -e . после клонирования репозитория
    

    A FEW USEFUL ANSWERS
    Перед первым
    экспериментом.
    Это готовый датасет или генератор?
    re-rl — Python-библиотека генераторов. Вы выбираете типы задач, язык, число примеров и уровни сложности, затем сохраняете полученные записи. Сайт показывает предгенерированные примеры для знакомства.
    Что меняется при повышении сложности?
    Это зависит от генератора: число элементов или шагов, диапазоны значений и другие параметры. Уровень 10 не является общей мерой сложности для всех типов. В лаборатории можно сравнить реальные примеры уровней 2 и 9.
    Как проверяется ответ?
    Метод verify() сравнивает предложенный ответ с вычисленным результатом по правилам конкретного семейства: числом, выражением или структурированным решением. Используйте его в цикле обучения и оценки модели.
    Можно ли использовать данные для VLM?
    Да. Визуальные генераторы создают PNG вместе с текстовым условием и решением. Python API generate_vlm_dataset() сохраняет изображения и записи со ссылками на них.
    Как подготовить train и eval?
    Зафиксируйте seed и параметры эксперимента, удалите повторяющиеся условия и разделите связанные примеры между train и eval. Для проверки переноса можно выделить отдельные семейства или диапазоны параметров.
    

    

    TASK EXPLORER