Archangel-system/french-dev-questions-5k

French Developer Questions 5K

5,000 software-engineering questions written in French, generated by 22 open models across a combinatorial seed grid, then filtered one by one by an LLM judge. No answers — this is a prompt corpus, meant to be the input side of a distillation or SFT pipeline.

French technical data is scarce. Most French datasets on the Hub are literary, legal or journalistic corpora; most developer-question datasets are English-only. This one sits in the intersection.

What is in it

Two configs, because the two batches genuinely have different schemas. Merging them would have forced 2,500 empty cells, so they stay separate.

from datasets import load_dataset

lot1 = load_dataset("Archangel-system/french-dev-questions-5k", "lot1")  # 2,500 rows, 4 axes
lot2 = load_dataset("Archangel-system/french-dev-questions-5k", "lot2")  # 2,500 rows, 6 axes

	lot1	lot2
Rows	2,500	2,500
Grid version	dev-fr.v1	dev-fr.v2
Domains	50	75
Personas	22	35
Intents	15	25
Difficulties	4	7
Contexts	—	8
Styles	—	6
Generating models	22	17
Median length	200 chars / 32 words	222 chars / 35 words

Columns

question · domaine · persona · intention · difficulte · question_model · judge · grid_version · seed_id — plus contexte and style in lot2.

Every row carries the model that wrote it and the seed cell it came from, so any slice is traceable and reproducible.

An example

Pourquoi mon code utilise-t-il plus de mémoire que prévu lors de l'utilisation de Promise.all avec un grand nombre de promesses ?

{
  "domaine": "JavaScript moderne (ES6+, async)",
  "persona": "developpeur back qui doit faire du front",
  "intention": "migrer d une techno vers une autre",
  "difficulte": "cas limite ou piege subtil",
  "question_model": "mistral/codestral-2508"
}

How it was built

1. Combinatorial seed grid. Each question is generated from one cell of a grid — domain × persona × intent × difficulty (plus context × style in v2). The grid spans 66,000 combinations in v1 and 22M in v2; cells are drawn with a fixed seed.
2. 22 generating models. No single model writes more than 6.5% of the corpus (top model: 327 rows out of 5,000). This is deliberate: a mono-teacher corpus inherits one model's phrasing tics.
3. Per-question LLM judge. Every candidate was reviewed individually by mistral/ministral-14b-latest against explicit criteria (is it a real question, is it specific, is it idiomatic French, is it answerable). Roughly 27% of generated candidates were rejected and never made it here.
4. Deduplication. Exact dedup within and across batches.

Measured quality

Numbers below come from actual checks on the published files, not estimates:

Check	Result
Exact duplicates within lot1	0
Exact duplicates within lot2	0
Overlap between the two batches	0
Empty cells	0 across all 5,000 rows
Median lexical similarity between batches	0.23
Emails / API keys / phone numbers	0
Generation artefacts ("Voici une question…")	0

The only IP addresses present are 127.0.0.1 inside quoted error logs.

Intended use

• Input side of a reasoning distillation pipeline (feed to a teacher, keep the traces).
• Seed prompts for French SFT or preference data.
• Evaluating French technical fluency of a model.

Roughly 2% of rows are phrased as statements rather than direct questions ("Je tente de créer une mise en page…"). That is intentional — real developers describe problems as often as they ask questions.

Limitations, honestly

• No answers. This is a prompt corpus. Pairing it with responses is your job.
• Fully synthetic. No real user wrote these. They read as plausible developer questions, but they are not sampled from real traffic.
• Unverified premises. Some questions describe a bug or a behaviour that may be technically inaccurate. They were judged as well-formed questions, not fact-checked.
• Domain skew. Web development dominates; embedded, data engineering and mobile are thin.
• Judge is a single model. A one-judge filter has its own blind spots; a 3-model panel with majority vote would be stronger.

Licensing and provenance

The dataset is released under Apache-2.0.

Questions were produced through the APIs of several providers, whose terms differ — stated here rather than glossed over:

Measured provider split across the 5,000 rows: Mistral 41.6% · Ollama 22.7% · Gemini 17.5% · NVIDIA 9.1% · OpenRouter 9.0%.

• Mistral (41.6% of rows): the commercial terms state the customer "owns all Output".
• Google Gemini (17.5%): Google "won't claim ownership over that content", but the API terms forbid using the service to develop competing models.
• Ollama / NVIDIA / OpenRouter (40.8%): open-weight models served through those endpoints.

If you plan to train a commercial model that competes with Google's, the Gemini-generated slice is the one to filter out — question_model makes that a one-line operation:

lot1.filter(lambda r: not r["question_model"].startswith("gemini/"))

Citation

@misc{french_dev_questions_5k,
  title  = {French Developer Questions 5K},
  author = {Archangel-system},
  year   = {2026},
  url    = {https://huggingface.co/datasets/Archangel-system/french-dev-questions-5k}
}

---

Questions de développeurs en français — 5 000 items

5 000 questions d'ingénierie logicielle rédigées en français, générées par 22 modèles ouverts sur une grille combinatoire, puis filtrées une par une par un juge LLM. Pas de réponses : c'est un corpus de prompts, destiné à alimenter l'entrée d'un pipeline de distillation ou de SFT.

La donnée technique française est rare. La plupart des jeux de données français du Hub sont littéraires, juridiques ou journalistiques ; la plupart des jeux de questions de développeurs sont uniquement en anglais. Celui-ci est à l'intersection.

Contenu

Deux configurations, parce que les deux lots ont réellement des schémas différents. Les fusionner aurait imposé 2 500 cellules vides : ils restent séparés.

from datasets import load_dataset

lot1 = load_dataset("Archangel-system/french-dev-questions-5k", "lot1")  # 2 500 lignes, 4 axes
lot2 = load_dataset("Archangel-system/french-dev-questions-5k", "lot2")  # 2 500 lignes, 6 axes

	lot1	lot2
Lignes	2 500	2 500
Version de grille	dev-fr.v1	dev-fr.v2
Domaines	50	75
Personas	22	35
Intentions	15	25
Difficultés	4	7
Contextes	—	8
Styles	—	6
Modèles générateurs	22	17
Longueur médiane	200 car. / 32 mots	222 car. / 35 mots

Colonnes

question · domaine · persona · intention · difficulte · question_model · judge · grid_version · seed_id — plus contexte et style dans lot2.

Chaque ligne porte le modèle qui l'a rédigée et la cellule de grille dont elle provient : n'importe quelle tranche reste traçable et reproductible.

Méthode de construction

1. Grille combinatoire. Chaque question naît d'une cellule — domaine × persona × intention × difficulté (plus contexte × style en v2). La grille couvre 66 000 combinaisons en v1 et 22 millions en v2, tirées à graine fixe.
2. 22 modèles générateurs. Aucun modèle ne dépasse 6,5 % du corpus (le premier : 327 lignes sur 5 000). C'est délibéré : un corpus mono-teacher hérite des tics d'écriture d'un seul modèle.
3. Juge LLM par question. Chaque candidate a été examinée individuellement par mistral/ministral-14b-latest selon des critères explicites (est-ce une vraie question, est-elle spécifique, le français est-il idiomatique, est-elle répondable). Environ 27 % des candidates ont été rejetées et ne figurent pas ici.
4. Déduplication exacte, intra-lot et inter-lots.

Qualité mesurée

Les chiffres ci-dessous proviennent de contrôles réellement exécutés sur les fichiers publiés, pas d'estimations :

Contrôle	Résultat
Doublons exacts dans lot1	0
Doublons exacts dans lot2	0
Recouvrement entre les deux lots	0
Cellules vides	0 sur les 5 000 lignes
Similarité lexicale médiane inter-lots	0,23
Emails / clés d'API / numéros de téléphone	0
Artefacts de génération (« Voici une question… »)	0

Les seules adresses IP présentes sont des 127.0.0.1 dans des logs d'erreur cités.

Usages prévus

• Entrée d'un pipeline de distillation de raisonnement (passer au teacher, conserver les traces).
• Prompts d'amorçage pour du SFT ou de la donnée de préférence en français.
• Évaluation de l'aisance technique en français d'un modèle.

Environ 2 % des lignes sont formulées en assertion plutôt qu'en question directe (« Je tente de créer une mise en page… »). C'est volontaire : un développeur décrit son problème aussi souvent qu'il pose une question.

Limites, énoncées franchement

• Aucune réponse. C'est un corpus de prompts. L'appariement avec des réponses reste à votre charge.
• Entièrement synthétique. Aucun utilisateur réel n'a écrit ces questions. Elles se lisent comme des questions plausibles, mais ne sont pas issues de trafic réel.
• Prémisses non vérifiées. Certaines questions décrivent un bug ou un comportement peut-être techniquement inexact. Elles ont été jugées comme questions bien formées, pas vérifiées sur le fond.
• Déséquilibre de domaines. Le développement web domine ; l'embarqué, la data engineering et le mobile sont peu représentés.
• Juge unique. Un filtre à un seul juge a ses angles morts ; un panel de 3 modèles avec vote majoritaire serait plus solide.

Licence et provenance

Le jeu de données est publié sous Apache-2.0.

Les questions ont été produites via les API de plusieurs fournisseurs, dont les conditions diffèrent — énoncées ici plutôt que passées sous silence :

Répartition mesurée sur les 5 000 lignes : Mistral 41,6 % · Ollama 22,7 % · Gemini 17,5 % · NVIDIA 9,1 % · OpenRouter 9,0 %.

• Mistral (41,6 % des lignes) : les conditions commerciales précisent que le client « owns all Output ».
• Google Gemini (17,5 %) : Google « won't claim ownership over that content », mais les conditions interdisent d'utiliser le service pour développer des modèles concurrents.
• Ollama / NVIDIA / OpenRouter (40,8 %) : modèles à poids ouverts servis par ces points d'accès.

Si vous entraînez un modèle commercial concurrent de ceux de Google, la tranche issue de Gemini est celle à retirer — la colonne question_model rend l'opération triviale :

lot1.filter(lambda r: not r["question_model"].startswith("gemini/"))