Retrieval-Synthetic-NVDocs-v1 هو مجموعة بيانات استرجاع اصطناعية تم إنشاؤها من محتوى NVIDIA العام، وأصدرتها NVIDIA في عام 2026. تم توليد هذه المجموعة باستخدام إطار عمل NeMo Data Designer، وتهدف إلى تدريب وتقييم نماذج التضمين وأنظمة التوليد المعزز بالاسترجاع (RAG).

تحتوي المجموعة على 15,095 سجلاً، وتغطي 105,606 زوجًا من الأسئلة والأجوبة بعد إزالة التكرارات، ويتراوح حجم البيانات بين 100 ألف و1 مليون. تشمل أنواع الاستدلال في مجموعة البيانات أنواعًا متعددة مثل الحقائق، والعلاقات، والإجراءات، والاستدلال، والزمن، والسببية، والبصرية، بالإضافة إلى أنواع استعلامات متنوعة مثل الهيكلية، ومتعددة القفزات، والسياقية. كما تتضمن عناصر وثائقية مثل الكيانات المستخرجة، والمفاهيم الرئيسية، والعلاقات، والمصطلحات الفنية، مما يوفر إشارات تدريب متنوعة لمهام الاسترجاع والفهم.

تكوين مجموعة البيانات

• الحقول العلوية: تشمل file_name (مسار الملف المصدر)، وtext (النص الكامل للوثيقة)، وchunks (مصفوفة كائنات تقطيع الوثيقة)، وsections_structured (سلاسل أقسام منسقة)، وbundle_id (معرّف حزمة المستندات المتعددة)، وdocument_artifacts (كائن البيانات الوصفية والمعلومات الدلالية المستخرجة)، وqa_generation (كائن أزواج الأسئلة والأجوبة المولدة)، وdeduplicated_qa_pairs (مصفوفة أزواج الأسئلة والأجوبة بعد إزالة التكرارات)، وqa_evaluations (كائن تقييم جودة أزواج الأسئلة والأجوبة).
• حقول كائن التقطيع: يتضمن كل تقطيع الحقول التالية: chunk_id، وdoc_chunk_index، وstart وend (مؤشرات الموضع)، وsentence_count، وtext، وword_count.
• حقول عناصر الوثيقة: تشمل contextual_factors، وentities، وinsights، وkey_concepts، وprocesses، وrelationships، وtechnical_terms، وthemes. يحتوي كل عنصر منها على الحقول text، وdescription، وimportance.
• حقول توليد الأسئلة والأجوبة: تتضمن أزواج الأسئلة والأجوبة الحقول التالية: question، وanswer، وquery_type، وreasoning_type، وquestion_complexity، وhop_count، وhop_contexts، وsegment_ids.
• حقول تقييم الأسئلة والأجوبة: تشمل الحقول accuracy، وclarity، وcontext_support، وrelevance، وoverall، وimprovements. تحتوي الحقول الأربعة الأولى على الحقول justification وscore.