Nemotron-SFT-ARC-AGI-v1
קוד פתוחnvidiaother2026-05-26
nvidia עומדים גם מאחורי NVIDIA AI, ויש עליו סקירה כאן.
עקבות חשיבה ושימוש בכלים לפתרון חידות ARC-AGI שנוצרו על ידי מודלים פתוחים. מתאים למי שרוצה לאמן מודל לחשיבה רב-שלבית ולכתיבת קוד לבדיקת פתרונות.
- 2,054הורדות בחודש
- 20לייקים
מה זה
המאגר מציע שיחות טקסטואליות שמדגימות פתרון חידות חזותיות מופשטות מתוך ARC-AGI-2, NVARC ומאגרי קהילה. החידות מוצגות כמערכי מספרים בטקסט ולא כתמונות. במהלך הריצה, תשעה מודלים פתוחים שונים כתבו שלבי הסקה וקראו לכלים חיצוניים כמו הרצת קוד פייתון ומניפולציה של רשתות. הסינון היה דטרמיניסטי לחלוטין, ללא מודל שופט. רק שיחה שהגיעה לרשת פלט זהה במדויק לפתרון המקורי נשמרה.
התוכן מחולק לשתי גרסאות דגימה עיקריות. הראשונה מציעה כיסוי רחב עם 67,529 חידות ופתרון יחיד לכל אחת, בקושי ממוצע של 0.71. השנייה מעמיקה יותר עם 207,569 רשומות על פני כ־64,467 חידות, ומכילה עד שמונה פתרונות שונים לאותה בעיה. כל גרסה מפוצלת גם לארבעה קובצי משנה לפי אופי הפעולה: הסקה עם כלים, הסקה בלבד, כלים ללא הסקה, ופתרון ישיר ללא שניהם.
מתאים ל
- אימון SFT למודלי חשיבה
לימוד מודלים לייצר שרשרת חשיבה רב-שלבית מפורטת לפני הפקת הפתרון הסופי.
- שילוב קריאות כלים והרצת קוד
אימון סוכנים לכתוב ולהריץ קוד פייתון לבדיקת השערות במהלך פתרון בעיות לוגיות.
- מחקר על אסטרטגיות דגימה
השוואה בין אימון על פתרון יחיד לכל בעיה מול מספר פתרונות מגוונים לאותה חידה.
איפה זה נופל
כל החומר טקסטואלי ובאנגלית בלבד, כך שאין כאן נתוני תמונה או תמיכה בשפות אחרות. הנתונים מבוססים על ייצור סינתטי של מודלים, בעיקר kimi-k25 ו־qwen3-235b שאחראים יחד לכמעט 80% מהגרסה המעמיקה. בנוסף, חלוקת הקטגוריות מוטה בצורה כבדה לכיוון הסקה ללא כלים, שמהווה מעל 68% מהדוגמאות, בעוד ששימוש בכלים ללא חשיבה תופס רק 1.3%. הכרטיס מציין במפורש שהמאגר מיועד למחקר ופיתוח בלבד.
שאלות
נפוצות
האם מותר להשתמש בדאטהסט הזה למוצר מסחרי?
עדיף להיזהר. תיאור הרישיון מזכיר CC BY 4.0, אך הכרטיס מציין באופן מפורש שהמאגר מיועד למחקר ופיתוח בלבד, ובראש העמוד מוגדר רישיון other. אם אתם בונים מוצר מסחרי, הסתירה הזו דורשת בדיקה משפטית לפני שמתחילים לאמן.
כמה מקום בדיסק צריך בשביל להוריד אותו?
הגרסה עם הפתרון היחיד לכל בעיה תופסת בערך 6.1 גיגה-בייט. הגרסה המורחבת שמכילה מספר פתרונות לכל חידה שוקלת כ־13 גיגה-בייט. קובצי ה־JSONL פתוחים להורדה ישירה ללא צורך בהרשאה מוקדמת.
האם יש בדאטהסט תמיכה בעברית או תמונות של החידות?
לא. כל הנתונים הם באנגלית בלבד. בנוסף, למרות שמדובר בחידות ARC שמוכרות כוויזואליות, המאגר טקסטואלי לגמרי והרשתות מתוארות כמערכי מספרים בתוך הפרומפט.
איך סוננו הנתונים כדי לוודא שהתשובות נכונות?
הסינון נעשה באופן אוטומטי ומדויק מול קובץ הפתרון המקורי של כל חידה. שיחות שבהן המודל לא הגיע לפלט הזהה במדויק לרשת המטרה נזרקו החוצה, כך שאין צורך להסתמך על שיפוט סובייקטיבי של מודל אחר.
איך טוענים
הנתונים מגיעים בקובצי JSONL במבנה שיחה סטנדרטי התואם לפורמט של OpenAI עם תפקידי מערכת, משתמש, עוזר וכלי. שרשרת המחשבה יושבת בשדה ייעודי בשם reasoning_content, וקריאות הכלים נשמרות במבנה פונקציות מסודר לצד שדות כמו problem_id ומטא-דאטה על המודל שיצר את הפלט. אין צורך באישור גישה מיוחד כדי להוריד. הגרסה הרחבה שוקלת כ־6.1 גיגה-בייט בדיסק, והגרסה המעמיקה תופסת סביב 13 גיגה-בייט.
from datasets import load_dataset
ds = load_dataset("nvidia/Nemotron-SFT-ARC-AGI-v1")הרישיון
בעמוד המאגר מופיע רישיון other, אך בתוך התיאור נכתב כי הוא מופץ תחת רישיון CC BY 4.0 לצד התייחסות לרישיונות המקור Apache 2.0 ו־MIT. המשמעות היא שנדרש מתן קרדיט מתאים ליוצרים. עם זאת, הטקסט בכרטיס מגביל את המאגר למחקר ופיתוח בלבד, ולכן לא הייתי משלב אותו באימון מודל שמיועד ישירות לשימוש מסחרי לפני בדיקה משפטית של הסתירה בין התנאים.