natural-science-reasoning

מה זה

הרשומות במאגר כוללות בעיות מורכבות במדעי הטבע שדורשות הסקת מסקנות, כמו פיזיקה, ביולוגיה וחקר חלל. כל רשומה מורכבת משאלה מפורטת, תהליך חשיבה מובנה בתגיות ייעודיות, ותשובה סופית. בנוסף לתשובות עצמן, הנתונים כוללים השוואות שיפוטיות בין ביצועי המודלים השונים על אותה שאלה בדיוק.

התוכן לא נאסף ממאמרים אמיתיים אלא סונתז מאפס באמצעות תהליך ממוכן. בשלב הראשון מודל DeepSeek-V3 מייצר חמישים נושאים במדעי הטבע ומנסח שאלות סביבם. לאחר מכן, שלושה מודלים שונים, Llama-3.3-70B-Instruct, Meta-Llama-3-8B-Instruct ו־DeepSeek-R1, מייצרים תשובות עם שרשרת חשיבה מלאה. בשלב הסופי Llama 70B משווה בין התוצרים השונים. המאגר מגיע כקובץ יחיד ללא חלוקה מוגדרת מראש לחלקי אימון ומבחן.

מתאים ל

• בדיקת שרשראות חשיבה

  בחינת יכולת של מודלים קטנים לעקוב אחרי נימוקים מורכבים במדע.

• אימון זריז ומקומי

  ניסויי כוונון עדין מהירים ללא צורך במשאבי מחשוב כבדים.

• שחזור צינור סינתוז

  שימוש בקוד המצורף לייצור דאטהסטים דומים בתחומים מדעיים אחרים.

איפה זה נופל

כל הנתונים סינתטיים לחלוטין ונוצרו על ידי מודלים, כך שאין שום אימות אנושי לנכונות המדעית של החישובים והנוסחאות. בדוגמאות עצמן מופיעות טעויות חישוב וסתירות מובנות שהמודל מתקשה ליישב. בנוסף, המאגר קיים באנגלית בלבד, ואינו כולל עברית. היקף השאלות קטן מאוד ומכסה רק 50 נושאים שנוצרו במרץ 2025, כך שהוא לא מתאים לאימון מודל רחב אלא בעיקר לבדיקת היתכנות.

איך טוענים

טוענים את הנתונים ישירות מקובץ Parquet בודד, train.parquet, שנמצא במאגר, ללא צורך בהרשאה מיוחדת או באישור גישה. מדובר במאגר זעיר במיוחד שיורד תוך שניות בודדות. השדות המרכזיים כוללים את הטקסט של השאלות, שרשראות החשיבה בתגיות think, והתשובות הסופיות. אם תרצו לשחזר את יצירת הנתונים או להרחיב אותם, המאגר מספק את הסקריפט dg.py ואת קובץ ההגדרות config.yml, שדורשים טוקן של Hugging Face וחיבור לספקי הרצה חיצוניים כמו Sambanova ו־Fireworks.

from datasets import load_dataset

ds = load_dataset("dvilasuero/natural-science-reasoning")

הרישיון

הרישיון הוא Apache 2.0. מותר להשתמש בנתונים לצרכים מסחריים, לשנות אותם, לאמן עליהם מודלים ולהפיץ מוצרים נגזרים. הדרישה העיקרית היא מתן קרדיט ושמירה על תנאי הרישיון וההודעות המקוריות. אימון מודל על הדאטהסט לא מחייב אתכם לחשוף את הקוד או לפתוח את המשקולות ברישיון זהה.

• שימוש מסחרי
• שינוי הקוד
• הפצה מחדש
• שימוש בפטנטים

הרישיון המלא ב־Hugging Face ↗