OpenMathReasoning

מה זה

המאגר כולל 306 אלף בעיות מתמטיות ייחודיות שמקורן בפורומים של AoPS, ועליהן נבנו כחמישה וחצי מיליון פתרונות שונים. הפתרונות מתחלקים לשלושה סוגים: 3.2 מיליון שרשראות חשיבה ארוכות, 1.7 מיליון פתרונות משולבי כלים שכוללים קוד, ועוד 566 אלף דוגמאות לבחירת הפתרון המבטיח ביותר מתוך כמה מועמדים. יש בו גם קובץ נפרד של 193 אלף בעיות ללא פתרונות.

איסוף הנתונים התחיל מסריקה של פורומי AoPS וקבוצה קטנה של דוגמאות ממאגר MATH. השאלות עברו עיבוד מקדים וניסוח מחדש בעזרת Qwen2.5-32B-Instruct. את הפתרונות עצמם ייצרו בצורה סינתטית דרך המודלים DeepSeek-R1 ו־QwQ-32B, כך שמדובר בדאטה סינתטי שמבוסס על שאלות אנושיות מקוריות.

מתאים ל

• אימון SFT למתמטיקה

  אימון מודלי שפה על שרשראות חשיבה ארוכות כדי לשפר ביצועים במבחנים מתמטיים.

• שילוב קוד בפתרון בעיות

  שימוש במיליון ושבע מאות אלף דוגמאות TIR כדי ללמד מודל להריץ פייתון בזמן הסקת מסקנות.

• אימון מודלי דירוג ובחירה

  שימוש בחלק ה־GenSelect כדי לאמן מודל לבחור את התשובה הנכונה מבין כמה פלטים אפשריים.

איפה זה נופל

כל הפתרונות סינתטיים לחלוטין ונוצרו על ידי מודלים, מה שמשאיר סיכון להזיות לוגיות עדינות בתוך שרשראות החשיבה. המאגר מוגבל לאנגלית בלבד, ואין בו שום תמיכה בשפות אחרות או בעברית. בנוסף, הצוות הודה שאיבד 137 אלף שאלות הוכחה בגלל באג בתהליך העיבוד, וכשהם החזירו אותן הביצועים באימון ירדו, כך שהמאגר הנוכחי מסנן כמעט לגמרי שאלות שדורשות הוכחות גיאומטריות או אלגבריות טהורות.

איך טוענים

הנתונים יושבים במאגר פתוח ללא צורך באישור גישה מוקדם, ומחולקים ל־234 קבצי Parquet. כדי לעבוד איתם ביעילות מומלץ לטעון רק את החלקים הרלוונטיים למשימה שלכם, כמו פיצול ה־cot או ה־tir. השדות המרכזיים שתרצו לבדוק הם הטקסט המעובד של השאלה, הפתרון שנוצר, המודל שיצר אותו, וסוג הבעיה שמציין אם התשובה הסופית חולצה בוודאות או נקבעה לפי רוב.

from datasets import load_dataset

ds = load_dataset("nvidia/OpenMathReasoning")

הרישיון

המאגר מופץ תחת רישיון cc-by-4.0. הרישיון מתיר שימוש מסחרי, שינוי והפצה, ומחייב רק מתן קרדיט מתאים ליוצרים. אין כאן דרישה לשתף תוצרי מודלים תחת אותו הרישיון.

• שימוש מסחרי
• שינוי הקוד
• חובת ייחוס

הרישיון המלא ב־Hugging Face ↗