ODA-Math-460k

מה זה

המאגר כולל כ־460 אלף דוגמאות בפורמט קבוע של שאלה, שרשרת פתרון מפורטת בשלבים ותשובה סופית. הנתונים מתמקדים בבעיות מתמטיות פתוחות עם תשובה מספרית או חד-משמעית שאפשר לבדוק באופן אוטומטי. אלגברה תופסת כמעט מחצית מהדוגמאות עם 44.8 אחוזים, גיאומטריה תופסת בין עשרים לעשרים ושניים אחוזים, והיתר מחולק שווה בשווה בין חשבון אינפיניטסימלי, קומבינטוריקה והסתברות, ותורת המספרים.

הבסיס נאסף מתוך מאגרי קוד פתוח מובילים כמו ScaleQuest-Math, NuminaMath-CoT ו־OpenMathInstruct-2, מתוך מאגר גולמי ראשוני של 11.4 מיליון שאלות. תהליך הסינון כלל ניקוי כפילויות, הסרת חפיפות למבחני ביצועים מקובלים, ופסילת שאלות אמריקאיות, שאלות נכון או לא נכון ושאלות הוכחה באמצעות כלי Big Math.

הבחירה הסופית התבססה על מבחני קושי מול מודלים קיימים. היוצרים השמיטו שאלות ש־Qwen3-8B פתר בקלות בלי שלבי חשיבה, ופסלו בעיות שאפילו Qwen3-30B-A3B לא הצליח לפתור עם חשיבה. את הפתרונות עצמם זיקקו מהמודל AM-Thinking-v1 ואישרו נקודתית באמצעות Compass-Verifier-7B מול תשובת המקור.

מתאים ל

• אימון מודלי חשיבה

  כוונון עדין למודלים פתוחים כדי לשפר הפקת שלבי חשיבה בפתרון מתמטיקה.

• הכנה לתחרויות

  תרגול על שאלות ברמת קושי של מבחני תחרות כמו AIME ואולימפיאדות.

• אימון בודקי פתרונות

  שימוש בפתרונות המאומתים כדי ללמד מודלים לזהות צעדי פתרון נכונים.

איפה זה נופל

המאגר בנוי כולו באנגלית בלבד ואין בו שום ייצוג לעברית. אם המטרה היא מודל שיפתור בעיות מילוליות בעברית, הנתונים האלה לא יעזרו בלי תרגום והתאמה. בנוסף, כל בעיות ההוכחה, שאלות הבחירה המרובה ושאלות נכון או לא נכון נופו בכוונה, כך שהמודל שתאמנו לא ילמד לנסח טיעונים לוגיים מורכבים שאינם מסתיימים בערך סופי. קיים גם סיכון להטיות מובנות שמגיעות ממודל המורה ומבודק התשובות, שניהם מודלים מלאכותיים, לצד חשש מדליפה של מבחני ביצועים פרטיים שלא זוהו בסינון הראשוני.

איך טוענים

המאגר זמין להורדה ישירה ללא צורך בהרשמה מיוחדת או באישור גישה. הנתונים מחולקים לחמישה קובצי parquet תחת תיקיית data, החל מ־train-00000-of-00004 ועד train-00004-of-00004, כך שאפשר לטעון אותם בקלות בספריית datasets של Hugging Face בלי לנהל הורדות ידניות של קבצים שלמים. המבנה מבוסס על שדות של בעיה, שרשרת פתרון ותשובה סופית. כדאי לשים לב שבמאגר יש כ־460 אלף רשומות, כך שהאימון עליו דורש משאבי חישוב של ממש לסבבי כוונון עדין, ולא מדובר בקובץ דגימה קטן לבדיקות מהירות על המחשב המקומי.

from datasets import load_dataset

ds = load_dataset("OpenDataArena/ODA-Math-460k")

הרישיון

המאגר מופץ תחת רישיון cc-by-nc-4.0 שמיועד למחקר ולשימוש אישי בלבד. אסור להשתמש בנתונים האלה כדי לאמן מודלים שמשולבים במוצרים מסחריים, בשירותים בתשלום או בפעילות עסקית כלשהי. השימוש דורש מתן קרדיט מלא ליוצרים, ואם אתם בונים על המאגר כדי לפתח כלי פנימי לחברה, הרישיון חוסם את זה לחלוטין.

• שינוי הקוד
• חובת ייחוס
• שימוש מסחרי: לא

הרישיון המלא ב־Hugging Face ↗