Retrieval-Synthetic-NVDocs-v1 是由 NVIDIA 于 2026 年发布的一个基于 NVIDIA 公开内容生成的合成检索数据集，该数据集使用 NeMo Data Designer 框架生成，旨在训练和评估嵌入模型与检索增强生成（RAG）系统。

该数据集包含 15,095 条记录，涵盖 105,606 对去重后的问答对，数据量在 100 K 到 1 M 之间。 数据集涵盖事实、关系、程序、推理、时间、因果和视觉等多种推理类型，以及结构、多跳和上下文等多种查询类型，并包含提取的实体、关键概念、关系和技术术语等文档工件，为检索和理解任务提供多样化的训练信号。

数据集组成

• 顶层字段：包括 file_name（源文件路径）、text（完整文档文本）、chunks（文档分块对象数组）、sections_structured（格式化章节字符串）、bundle_id（多文档捆绑标识）、document_artifacts（提取的元数据和语义信息对象）、qa_generation（生成的问答对对象）、deduplicated_qa_pairs（去重后的问答对数组）以及 qa_evaluations（QA 对质量评估对象）。
• 分块对象字段：每个分块包含 chunk_id、doc_chunk_index、start 和 end（位置索引）、sentence_count、text 和 word_count。
• 文档工件字段：包含 contextual_factors、entities、insights、key_concepts、processes、relationships、technical_terms 和 themes，每项包含 text、description 和 importance。
• QA 生成字段：问答对包含 question、answer、query_type、reasoning_type、question_complexity、hop_count、hop_contexts 和 segment_ids。
• QA 评估字段：包含 accuracy、clarity、context_support、relevance、overall 和 improvements，其中前四项包含 justification 和 score。