# Sophia SFT Corpus

Sophia 的监督微调语料——人格宪法（`configs/sft/sophia_persona.md`）驱动、依赖脚本蒸馏、机器判官筛选后的幸存者集。

## 文件

| 文件 | 内容 |
|---|---|
| `train.jsonl` | 训练集（~88K 条对话,含 `<think>` 标注与自适应思考标签） |
| `val.jsonl` | 验证集 |
| `profile.json` | 语料构成剖面(类别分布、长度统计) |

## 格式

JSONL,每行一条多轮对话样本,含 `conversation` / `answer` / `think` / 类别与标记字段。
语料以 `messages` 数组形式逐行存储,助手轮为 `<think>…</think>回答` 格式;`train.jsonl` 是 `runs/sft`(3 epoch,SFT 父权重 `sophia_sft.pt`)的直接训练输入。

## 许可与边界

- 语料为教师蒸馏合成数据,按 Apache-2.0 随模型发布;模型行为条款见 `configs/sft/sophia_persona.md`。
- 该语料**不**包含预训练原始文本;预训练语料的来源、配比与许可见仓库 `docs/` 与 `dataset/` 谱系记录(上游来源不随本模型重新授权)。