OpenMath GSM8K Masked 是由 NVIDIA 于 2024 年发布的一个针对数学推理任务进行掩码处理的数据集，相关论文成果为「OpenMathInstruct-1: A 1.8 Million Math Instruction Tuning Dataset」，旨在通过提供掩码版本的 GSM8K 解决方案，辅助合成生成额外的 GSM8K 数据集解题方案，相比直接使用原始解决方案，这种方式更不易导致推理不一致。

该数据集被用于构建包含 180 万对问题-解决方案的数学指令微调数据集 OpenMathInstruct-1，其底层使用了许可宽松的 Mixtral-8x7B 模型进行生成。

数据集组成

数据集采用 JSON 格式存储，包含 train 训练集，共 7,473 条样本：

• 问题（question）：原始 GSM8K 数学应用题的文本内容。
• 掩码解答（masked_reference_solution）：对原始解题过程中的部分关键内容进行掩码处理，通常使用字母占位符代替数字或中间计算结果，以便模型补全解题步骤。
• 参考解答（reference_solution）：原始完整解题过程，用于对照掩码版本并辅助生成新的解答。
• 标准答案（expected_answer）：数学问题对应的最终答案，可用于检查生成结果的正确性。

Citation

@article{toshniwal2024openmath,
  title   = {OpenMathInstruct-1: A 1.8 Million Math Instruction Tuning Dataset},
  author  = {Shubham Toshniwal and Ivan Moshkov and Sean Narenthiran and Daria Gitman and Fei Jia and Igor Gitman},
  year    = {2024},
  journal = {arXiv preprint arXiv: Arxiv-2402.10176}
}