LIMR
קוד פתוחGAIRרישיון לא דווח2025-02-16
אוסף קטן של 1,389 שאלות מתמטיות לאימון למידת חיזוק. הוא נועד להוכיח שאפשר לעקוף דאטהסטים של עשרות אלפי דוגמאות בעזרת סינון ממוקד.
- 153הורדות בחודש
- 33לייקים
מה זה
המאגר מציע גישה שמנסה לשבור את התלות בכמויות עתק של נתונים בלמידת חיזוק למודלי שפה. במקום לאמן על מאגר מלא של 8,523 שאלות, החוקרים פיתחו שיטה אוטומטית שנקראת Learning Impact Measurement כדי לבחון את התרומה של כל דוגמה ולבודד תת קבוצה של 1,389 שאלות בלבד.
התוצאה היא אוסף ממוקד של בעיות מתמטיות קשות, שמטרתו לאמן מודלים ישירות ממודל בסיס ללא צורך בזיקוק נתונים ממודלים גדולים יותר. הבדיקות שפורסמו מראות שהאימון על המדגם הזה השיג תוצאות טובות יותר במבחנים כמו AIME2024, MATH500 ו־AMC2023 בהשוואה לאימון על כל 8,523 הדוגמאות המקוריות.
מתאים ל
- אימון RL למתמטיקה
אימון ישיר של מודלי בסיס לפתרון בעיות חשיבה ומתמטיקה קשות בתקציב מחשוב נמוך.
- מחקר על יעילות נתונים
השוואת ביצועים מול דאטהסטים גדולים כדי לבחון אלגוריתמים לסינון ודגימת נתונים.
- בנצ'מרק של אלגוריתמי חיזוק
בדיקת שיטות RL שונות על סט אחיד ומצומצם של שאלות מתמטיות איכותיות.
איפה זה נופל
הנתונים מוגבלים לחלוטין לפתרון בעיות מתמטיקה באנגלית ברמת תחרויות, ואין כאן שום ייצוג לשפות אחרות או לתחומי ידע כלליים. בנוסף, מדובר בדאטהסט קטנטן שמיועד רק ללמידת חיזוק של יכולות הסקה מתמטית. מי שמחפש מידע להוראות כלליות או למשימות מגוונות בעברית לא ימצא פה שום ערך.
שאלות
נפוצות
האם מותר להשתמש במאגר לפיתוח מוצר מסחרי?
לא מומלץ בלי בירור משפטי. הרישיון לא מוגדר בעמוד, ולכן אין היתר רשמי לקחת את הנתונים לשימוש מסחרי או לשלב אותם במוצר פעיל.
האם הדאטהסט כולל תוכן בעברית?
לא. כל 1,389 השאלות מבוססות על מבחני מתמטיקה באנגלית כמו AMC ו־AIME, ללא תמיכה בשפות נוספות.
איך המאגר הזה שונה ממאגרי RL אחרים כמו PRIME או Sky-T1?
הוא קטן משמעותית ומכיל רק כאלף שאלות לעומת עשרות אלפים באחרים. בנוסף, הוא מתמקד באימון ישיר ממודל בסיס ללא שימוש בנתונים שזוקקו ממודלים חזקים.
כמה שטח אחסון צריך כדי לעבוד איתו?
כמעט כלום. המאגר מכיל רק קובץ JSON אחד של 1,389 שאלות, כך שמדובר במגה-בייטים בודדים שיורדים מיידית לכל מחשב.
איך טוענים
הדאטהסט זמין פתוח ישירות דרך המאגר של Hugging Face ללא צורך באישור גישה ידני או מילוי טפסים. הוא כולל שלושה קבצים בלבד, כשהמידע עצמו מרוכז בקובץ limr.json לצד תיעוד הרידמי. המשקל שלו זעיר במיוחד, כך שההורדה לוקחת שניות בודדות ולא דורשת שום הכנה של נפחי אחסון ייעודיים. אפשר לטעון אותו בעזרת ספריית datasets או פשוט לקרוא ישירות את קובץ ה־JSON כדי לשלוף את השאלות ולחבר אותן לתשתית האימון שלכם.
from datasets import load_dataset
ds = load_dataset("GAIR/LIMR")הרישיון
היוצרים לא ציינו רישיון שימוש בעמוד המאגר. מבחינה חוקית, היעדר רישיון אומר שכל הזכויות שמורות לחוקרים, ולא ניתנה הרשאה מפורשת לשימוש מסחרי, להפצה מחדש או לאימון מודלים פנימיים בחברות. אם אתם מתכננים להוציא מזה תוצר מסחרי, חובה ליצור קשר עם המפרסמים כדי להסדיר היתר כתוב.