Nemotron-Science-v1
קוד פתוחnvidiacc-by-4.02025-12-14
nvidia עומדים גם מאחורי NVIDIA AI, ויש עליו סקירה כאן.
מאגר נתונים סינתטי שמתמקד בחשיבה מדעית ובכימיה ברמת מבחנים מורכבים. הוא מתאים למי שרוצה לשפר יכולות פתרון בעיות במודלי שפה בלי לאסוף שאלות ידנית.
- 2,062הורדות בחודש
- 32לייקים
מה זה
המאגר כולל 226,334 רשומות טקסט שנוצרו כולן על ידי מודלי שפה, ומטרתן לשפר חשיבה מדעית. מדובר בזוגות של שאלות ופתרונות מלאים הכוללים שלבי הסקה מפורטים, ולא רק את התשובה הסופית. הנתונים מתבססים על שיפור של תכני STEM ממאגר מוקדם יותר של אנבידיה, בליווי הרחבות חדשות.
התוכן מחולק לשני חלקים מוגדרים. החלק הראשון, MCQA, מכיל 174,155 שאלות רב-ברירה בסגנון GPQA שנועדו לחקות מבחנים מדעיים ברמה גבוהה. עקבות החשיבה בחלק הזה הופקו באמצעות המודל GPT-OSS-120B כדי לפרק את תהליך ההסקה לשלבים. החלק השני, RQA, כולל 52,179 שאלות סינתטיות שמוקדשות ספציפית לתחום הכימיה, עם פתרונות מודל מובנים.
מתאים ל
- אימון מונחה למדעים
אימון מודלי שפה על שרשראות חשיבה מדעיות ברמת GPQA באנגלית.
- העשרת ידע בכימיה
שיפור היכולת של מודל לפתור שאלות בכימיה בעזרת עשרות אלפי דוגמאות ייעודיות.
- אוגמנטציה לדאטה קיים
הרחבת מאגרי אימון קיימים עם דוגמאות סינתטיות של נימוק שלב אחר שלב.
איפה זה נופל
כל הנתונים סינתטיים לחלוטין ונוצרו על ידי מודל שפה, מה שאומר שהם עלולים להכיל הזיות מדעיות או שגיאות עדינות בשרשרת ההסקה. בנוסף, כל התוכן באנגלית בלבד ואין פה בכלל תמיכה בעברית או במינוחים מקומיים. מי שמתכנן להשתמש בזה למוצר מדעי אמיתי חייב לבצע דגימה ובקרה אנושית על נכונות הפתרונות לפני האימון, בייחוד בחלק של הכימיה.
שאלות
נפוצות
האם מותר להשתמש בדאטהסט הזה במוצר מסחרי?
כן, הרישיון הוא CC BY 4.0 והיוצרים מציינים במפורש שהוא מוכן לשימוש מסחרי. כל מה שנדרש מבחינה משפטית הוא לתת קרדיט מתאים לאנבידיה בתיעוד. אין שום מניעה לאמן עליו מודלים שמשרתים לקוחות משלמים.
כמה מקום צריך בשבילו והאם יש צורך בהרשאות גישה?
המאגר שוקל בערך 2.5 גיגה-בייט בסך הכל ואין צורך בשום אישור גישה מיוחד. אפשר להוריד אותו ישירות דרך Hugging Face כקובצי JSONL רגילים. זה משקל קל מאוד שמתאים גם לעבודה על מחשב אישי בלי שרתים כבדים.
האם יש במאגר שאלות בעברית?
לא, המאגר מוגדר וקיים בשפה האנגלית בלבד. כל המושגים המדעיים, השאלות וההסברים נכתבו באנגלית על ידי מודלי שפה. אם אתם צריכים ביצועים בעברית, תצטרכו לתרגם את החומר או להשתמש במקור אחר.
איך הנתונים נאספו והופקו?
הנתונים נוצרו בצורה סינתטית לחלוטין באמצעות מודלי שפה ולא נאספו מסטודנטים או מבחנים אמיתיים. החלק של שאלות הברירה שופר ממאגר קודם בעזרת המודל GPT-OSS-120B שיצר את מסלולי ההסקה. גם שאלות הכימיה נכתבו ונומקו באופן סינתטי מלא.
איך טוענים
הנתונים מגיעים בקובצי JSONL פשוטים, בלי צורך בטופסי הרשמה או בקשת אישור מיוחדת מאנבידיה. פשוט מושכים את המאגר ישירות בעזרת הספרייה של Hugging Face. שני הקבצים המרכזיים הם MCQ.jsonl ו־RQA.jsonl, כאשר המשקל הכולל בדיסק עומד על כ־2.5 גיגה-בייט. המבנה מורכב מטקסט השאלה והפתרון לצד מטא-דאטה, כך שקל להזין אותו ישירות לתהליכי אימון מונחה.
from datasets import load_dataset
ds = load_dataset("nvidia/Nemotron-Science-v1")הרישיון
המאגר משוחרר תחת רישיון CC BY 4.0 שמתיר שימוש מסחרי מלא, כולל אימון מודלים פנימיים או מוצרים שנמכרים ללקוחות. הדרישה היחידה היא מתן קרדיט וייחוס לחברת אנבידיה. הרישיון אינו דורש שיתוף באותם תנאים, כך שאין חובה לפתוח את המודל המאומן או את הקוד שלכם.
- שימוש מסחרי
- שינוי הקוד
- חובת ייחוס