cmm-math
קוד פתוחecnu-icalkbsd-3-clause2024-09-06
מאגר מולטימודלי סיני למתמטיקה שמכיל מעל 28,000 שאלות עם פתרונות מפורטים מתמונות ומלל. הוא מתאים למי שרוצה לאמן או לבחון מודלים חזותיים על חשיבה כמותית ברמות בית ספר שונות.
- 1,008הורדות בחודש
- 36לייקים
מה זה
המאגר כולל מעל 28,000 דוגמאות שנחלקות לשני חלקים עיקריים, יותר מ־22 אלף רשומות המיועדות לאימון ועוד למעלה מ־5,000 רשומות שמוגדרות עבור בנצ'מרק והערכה. השאלות מכסות 12 שנות לימוד בסין, החל מבית ספר יסודי ועד לסיום התיכון, ומגיעות במגוון פורמטים מוכרים כמו שאלות אמריקאיות רב-ברירתיות, השלמת החסר ופתרון תרגילים פתוחים.
כל רשומה בנויה סביב בעיה מתמטית שמערבת גם טקסט וגם הקשר חזותי. התמונות יכולות להופיע בגוף השאלה עצמה או בתוך חלופות התשובה והנימוקים, מה שמאלץ את המודל לבצע הסקת מסקנות משולבת ולא רק לקרוא טקסט רגיל. לצד השאלות מוצגים פתרונות מלאים ומפורטים המציגים את דרך החישוב, כאשר הדאטה מציג רמות קושי שונות לפי נושאי לימוד ומדרגות גיל, בהתאם לפרסום המדעי של החוקרים.
החומרים שפורסמו כוללים קובצי נתונים מובנים עם טקסט, הפניות וקובץ ארכיון שמחזיק את התמונות הרלוונטיות לשאלות. החוקרים לא פירטו בכרטיס את הליך הסינון הטכני או את מקורות הגירוד המדויקים שמהם נשלפו המבחנים, מעבר לכך שהם מתבססים על תוכנית הלימודים הסינית לכיתות השונות.
מתאים ל
- אימון מודלים חזותיים
אימון משולב של תמונה וטקסט על פתרון בעיות מתמטיות מדורגות.
- בנצ'מרק למתמטיקה מולטימודלית
בדיקת יכולות הסקת מסקנות מתמטית על סט הערכה של מעל 5,000 שאלות.
- פיתוח כלי הוראה מותאמים
בניית מודלים שמספקים פתרון צעד אחר צעד לתרגילים עם שרטוטים.
איפה זה נופל
הנתונים כולם בסינית ומבוססים על תוכנית הלימודים בסין, כך שאין כאן שום ייצוג לעברית או לאנגלית. הכרטיס והמאמר מעידים שמודלים מתקדמים מתקשים על הדאטהסט הזה, בעיקר בגלל השילוב בין הבנת תרשימים לבין חשיבה גיאומטרית מורכבת. אם המודל שלכם לא שולט היטב בסינית, הדאטה הזה פשוט לא יתאים למשימה שלכם ולא ייתן שום ערך לפיתוח.
שאלות
נפוצות
האם אפשר להשתמש במאגר לפרויקט מסחרי?
כן, רישיון bsd-3-clause מתיר שימוש מסחרי ללא תשלום תמלוגים. אתם רק חייבים לשמור על הצהרת זכויות היוצרים ונוסח הרישיון המקורי בקוד או בתוכנה שאתם מפיצים. אין דרישה לפתוח את הקוד שלכם.
האם יש במאגר שאלות בעברית או באנגלית?
הדאטהסט מוגדר כולו בשפה הסינית ואין בו תוכן בעברית או תרגום לאנגלית. השאלות, התשובות וההסברים נכתבו עבור מערכת החינוך בסין, ולכן הוא לא רלוונטי לבדיקת שפות אחרות אלא אם תתרגמו אותו עצמאית.
איך מחברים את התמונות לקובצי הנתונים?
המאגר כולל קובץ images.zip שמכיל את כל השרטוטים והאיורים של השאלות. ברשומות הטקסטואליות שבקובצי ה־parquet או ה־jsonl ישנם שדות שמפנים לשמות הקבצים המתאימים, כך שתוכלו לחבר את התמונות לכל שאלה לפי מזהה התמונה.
במה הוא שונה מדאטהסטים כמו GSM8K או MATH?
ההבדל העיקרי הוא שהמאגר הזה מולטימודלי ומשלב תמונות בגוף השאלות והתשובות, בניגוד ל־GSM8K שכולל טקסט בלבד. בנוסף הוא מתמקד בשפה הסינית ומכסה טווח רחב של 12 שנות לימוד עם פתרונות מנומקים.
איך טוענים
טוענים את הנתונים דרך ספריית datasets באמצעות המזהה ecnu-icalk/cmm-math, או מורידים ישירות את הקבצים all_data.parquet ו־all_data.jsonl מתוך המאגר. הגישה חופשית לגמרי ואין צורך בהרשאה מיוחדת או מפתח. המאגר מכיל 14 קבצים וכולל ארכיון images.zip שמרכז את התמונות, כך שאם אתם עובדים מקומית תצטרכו לפרוק אותו ולשייך את התמונות לשדות המזהים המתאימים ברשומות.
from datasets import load_dataset
ds = load_dataset("ecnu-icalk/cmm-math")הרישיון
המאגר מופץ תחת רישיון bsd-3-clause, רישיון קוד פתוח מתירני מאוד. אתם רשאים להשתמש בו לצרכים מחקריים ומסחריים, לשנות אותו ולשלב אותו במוצרים. תנאי השימוש דורשים לשמור על הודעת זכויות היוצרים והפטור מאחריות, ואוסרים להשתמש בשמות המחברים לקידום מוצרים נגזרים בלי אישור מראש. אין חובת שיתוף תחת אותו רישיון.
- שימוש מסחרי
- שינוי הקוד
- הפצה מחדש