Pashto_OrcaCoT

Pashto_OrcaCoT是一个专为普什图语设计的高质量链式思维推理数据集，基于OpenOrca数据集的CoT指令进行普什图语翻译，旨在为低资源语言普什图语提供干净、手工制作且机器优化的监督微调环境，以弥补国际大语言模型基准与普什图语原生人工智能对齐之间的差距。数据集采用严格的零抓取策略精心策划，确保逻辑一致性和深度推理，减少幻觉，数据规模在1万到10万条之间。每条数据记录包含三个字段：instruction（定义行为边界的系统提示或代理角色）、input（普什图语的用户查询、任务陈述或推理谜题）和output（包含逐步推理逻辑和最终答案的黄金标准响应）。该数据集适用于文本生成、指令微调和复杂推理任务，是iPashto.ai引擎的基础推理层，并为高级模型（如即将推出的Qwen3-1.7B-Pashto-Gold管道）提供关键的对齐资产。

Pashto_OrcaCoT is a high-quality chain-of-thought reasoning dataset specifically designed for the Pashto language. It is based on the translation of CoT instructions from the OpenOrca dataset into Pashto, aiming to provide a clean, manually curated, and machine-optimized supervised fine-tuning environment for the low-resource Pashto language, bridging the gap between international large language model benchmarks and native Pashto artificial intelligence alignment. The dataset is meticulously curated with a strict zero-scraping policy to ensure logical consistency and deep reasoning while reducing hallucinations, with a scale between 10,000 and 100,000 entries. Each data record includes three fields: `instruction` (a system prompt or agent role defining behavioral boundaries), `input` (user queries, task statements, or reasoning puzzles in Pashto), and `output` (a gold-standard response containing step-by-step reasoning logic and the final answer). It is suitable for text generation, instruction fine-tuning, and complex reasoning tasks, serving as the foundational reasoning layer for the `iPashto.ai` engine and providing a critical alignment asset for advanced models (such as the upcoming *Qwen3-1.7B-Pashto-Gold* pipeline).

原始信息汇总

数据集概览：Pashto_OrcaCoT

基本信息

• 数据集名称: Pashto_OrcaCoT
• 许可证: MIT
• 任务类别: 文本生成
• 语言: 普什图语（Pashto, ps）
• 标签: chain-of-thought, reasoning, orca, pashto-ai, instruction-tuning
• 规模: 10K < n < 100K 条样本

数据集描述

Pashto_OrcaCoT 是一个专为普什图语推理优化的高质量链式思维（Chain-of-Thought, CoT）数据集。它是 OpenOrca 数据集中 CoT 指令的普什图语翻译版本，旨在弥合国际大语言模型基准与普什图语原生人工智能对齐之间的差距。该数据集是 iPashto.ai 引擎的基础推理层，也是包括即将推出的 Qwen3-1.7B-Pashto-Gold 管道在内的先进模型的关键对齐资产。

主要特点

• 结构化 CoT: 包含多步骤逻辑显式流程、逐步推理和严格、可验证的格式。
• 普什图语原生对齐: 系统提示和指令完美适配普什图语的细微差别、文化背景和风格准确性。
• 高质量完整性: 经过优化以对抗幻觉、最大化逻辑一致性，并确保在数学、逻辑和常识问答中的深度推理能力。
• 零爬取策略: 通过精确策划，绕过嘈杂的网络爬取，提供黄金标准、可投入生产的指令微调数据。

数据模式

每条记录遵循严格的三字段结构：

字段	类型	描述
instruction	string	定义行为边界的系统提示或代理角色设定。
input	string	普什图语形式的用户查询、任务陈述或推理难题。
output	string	包含逐步推理逻辑和最终答案的黄金标准响应。

数据示例

json { "instruction": "تاسو د مصنوعي ځیرکتیا (AI) یو مرستیال یاست چې له خلکو سره د معلوماتو په موندلو کې مرسته کوي. کاروونکی له تاسو څخه پوښتنه کوي. ستاسو دنده دا ده چې تر خپله وسه په پوره صداقت ځواب ورکړئ. د ځواب ورکولو پر مهال ګام په ګام فکر وکړئ او د خپل ځواب لپاره منطقي دلایل وړاندې کړئ.", "input": "جیمز د 5 اصلي کرکټرونو او 4 ملاتړي کرکټرونو سره د تلویزیون خپرونه پرمخ وړي. هغه په ​​هر قسط کې د ملاتړي کرکټرونو $ 15,000 تادیه کوي. هغه اصلي کرکټرونه درې چنده ډیر ورکړي. هغه په ​​هره برخه کې څومره پیسې ورکوي؟ راځئ چې د امکان تر حده مشخص وي.", "output": "جیمز د ملاتړ کونکي کرکټرونو په هره برخه کې $15,000 تادیه کوي. له هغه ځایه چې 4 ملاتړي کرکټرونه شتون لري، دا دوی ته په ټوله برخه کې 4 *$ 15,000 = $60,000 ورکوي.

اصلي کرکټرونه درې ځله ډیر تادیه کیږي. نو، هر اصلي کرکټر په هره برخه کې$ 3 * $15,000 =$ 45,000 ترلاسه کوي.

دلته 5 اصلي کرکټرونه دي، نو هغه دوی ته په هر قسط کې 5 * $45,000 =$ 225,000 تادیه کوي.

په مجموع کې، جیمز ته $225,000 (اصلي کرکټرونه) +$ 60,000 (ملاتړي کرکټرونه) = $ 285,000 په هره قسط ورکول کیږي." }

动机与愿景

历史上，像普什图语这样的低资源语言饱受嘈杂、翻译质量低下的数据集之苦，这类数据会削弱大语言模型进行连贯推理的能力。Pashto_OrcaCoT 标志着普什图语 AI 零爬取时代的终结，为监督微调（SFT）提供了一个干净、手工策划且机器优化的环境，目标是让普什图语模型能够执行与英语及其他丰富资源环境相媲美的复杂链式思维推理。

引用与归属

若在研究、模型微调管道或评估基准中使用该数据集，请按以下格式引用：

bibtex @dataset{nassimjp_pashto_orcacot_2026, author = {Nassim}, title = {Pashto_OrcaCoT: A High-Quality Chain-of-Thought Dataset for Pashto Reasoning}, year = {2026}, publisher = {Hugging Face}, journal = {Hugging Face Datasets}, howpublished = {url{https://huggingface.co/datasets/nassimjp/Pashto_OrcaCoT}} }

反馈与协作

如有关于普什图语推理工具和原生大语言模型开发的问题、贡献或合作意向，请在仓库中提交 issue 或通过 iPashto.ai 联系。

搜集汇总

数据集介绍

构建方式

Pashto_OrcaCoT数据集的构建根植于对普什图语这一低资源语言的深度优化需求，旨在弥合国际大语言模型基准与普什图语本土人工智能对齐之间的鸿沟。该数据集基于OpenOrca数据集中的链式思考（Chain-of-Thought）指令，通过高精度翻译与严格的多步骤逻辑推理模式进行重构。构建过程摒弃了嘈杂的网络爬取策略，采用精细的手工提炼与机器优化相结合的方式，确保每条指令、输入与输出三元组均遵循结构化推理流程，从而为普什图语模型提供一套黄金标准的监督微调训练材料，服务于iPashto.ai引擎及Qwen3-1.7B-Pashto-Gold等先进模型的推理层。

特点

该数据集的核心特点在于其结构化链式思考设计，每条记录包含明确的系统提示（instruction）、用户查询（input）及包含逐步推理逻辑的黄金标准响应（output），形成了严谨的三字段模式。Pashto_OrcaCoT实现了普什图语原生对齐，系统提示和指令完美契合该语言的细微表达、文化内涵与风格准确性，有效抑制模型幻觉并最大化逻辑一致性。数据集涵盖数学、逻辑推理与常识问答等领域，具备深度的推理层次，其零爬取策略确保了产出质量的上乘，为普什图语人工智能的指令微调提供了高完整性、低噪声的专属资源。

使用方法

使用Pashto_OrcaCoT进行模型训练时，研究人员可直接利用其标准化的instruction、input和output三字段结构，无缝集成至监督微调（SFT）流程中。每个字段均为字符串类型，训练时可将instruction与input拼接作为模型输入，将output作为目标输出，引导模型学习逐步推理与逻辑拆解能力。该数据集特别适用于对普什图语大语言模型进行推理增强训练，支持在开源框架如Hugging Face Transformers中直接加载，并推荐作为复杂链式思考任务的核心训练组件。引用时需遵照提供的BibTeX格式标注出处，并欢迎通过iPashto.ai平台进行反馈与协作，以持续推动普什图语人工智能的发展。

背景与挑战

背景概述

Pashto_OrcaCoT 数据集由研究者 Nassim 于 2026 年创建，旨在为普什图语这一低资源语言提供高质量的思维链（Chain-of-Thought）推理数据。该数据集基于 OpenOrca 框架的 CoT 指令进行翻译与优化，服务于 iPashto.ai 引擎及即将推出的 Qwen3-1.7B-Pashto-Gold 模型管线。其核心研究问题在于弥合国际大语言模型基准与普什图语原生人工智能对齐之间的鸿沟，通过结构化、多步骤的逻辑推理范式，提升该语言在数学、逻辑与常识问答等领域的推理深度与一致性，对低资源语言的自然语言处理研究具有里程碑式的影响。

当前挑战

该数据集面临的核心挑战是解决低资源语言中模型推理能力匮乏的领域问题。传统上，普什图语因缺乏高质量的训练语料，导致大语言模型在逻辑推理中易产生幻觉与不一致性。Pashto_OrcaCoT 通过零抓取策略与人工精校，构建清洁、原生对齐的监督微调环境，以对抗噪声数据与劣质翻译对推理链的破坏。构建过程中遇到的挑战包括：确保系统提示与指令严格遵循普什图语的语法、文化隐喻与风格准确性；设计可验证的多步逻辑流，避免过渡依赖翻译痕迹；以及在有限资源下平衡数据规模（10K-100K）与每一条记录的高质量完整性。

常用场景

经典使用场景

在低资源语言的自然语言处理研究中，Pashto_OrcaCoT数据集被广泛应用于大语言模型的指令微调与思维链推理能力训练。该数据集通过精心设计的普什图语指令、输入和逐步推理输出三元组结构，为研究者提供了一个高质量、母语对齐的监督微调环境。其典型使用方式是将数据集作为基础训练语料，结合因果语言建模目标，让模型在普什图语境下学习如何分解复杂问题、执行多步逻辑推导并输出合理的中间步骤与最终答案，从而显著提升模型在数学推理、常识问答和逻辑判断等任务上的表现。

衍生相关工作

基于Pashto_OrcaCoT数据集，一系列相关研究工作得以展开。一方面，研究者利用该数据集开展了针对普什图语的指令微调模型训练，验证了结构化思维链数据对提升低资源语言模型推理鲁棒性的显著效果。另一方面，该数据集启发了针对其他低资源语言（如乌尔都语、达里语等）的类似思维链数据集的构建工作，形成了跨语言的链式推理数据生成范式。此外，部分工作围绕该数据集探索了多语言模型在普什图语境下的知识迁移机制，以及如何通过混合训练策略平衡语言覆盖度与推理能力，这些探索为构建真正通用且文化包容的人工智能系统提供了宝贵的实证依据。

数据集最近研究

最新研究方向

当前，低资源语言的大语言模型推理能力提升是自然语言处理领域的前沿热点。Pashto_OrcaCoT数据集的问世，标志着普什图语人工智能研究迈入了一个崭新阶段，它通过高质量、结构化的思维链（Chain-of-Thought）指令数据，为普什图语模型的逻辑推理与复杂问题求解能力提供了关键的训练基石。该数据集摒弃了噪声充斥的网络爬取策略，采用精雕细琢的零抓取方法论，有效弥合了普什图语与国际主流语言在模型对齐上的鸿沟，对于推动多语言、文化包容性的人工智能生态建设具有里程碑式的意义。