【数学数据集汇总】天才博士陶哲轩力荐数据集！含代码、中文竞赛题目、正向逆向问答对等
上周，著名数学家陶哲轩在个人博客中发布了「AI for Math Resourses」的资源清单，旨在为那些有意进入人工智能数学领域的人提供帮助，这份清单由「人工智能辅助数学推理」研讨会整理。该研讨会由美国国家科学院、工程院和医学院共同组织，陶哲轩担任该研讨会的主持人。
这份清单文档尚未最终定稿，陶哲轩及其他研究者仍在不断完善中。 HyperAI 超神经从中筛选出了部分数据集供大家下载使用，除此之外，还为大家补充汇总了其他数学方面的数据集，助力 AI for Math 。
发布机构：多伦多大学、剑桥大学等
发布时间：2023 年
预估大小：44.21 GB
下载地址：https://go.hyper.ai/erQGZ
OpenWebMath 包含了来自互联网的大部分高质量数学文本。它是从 Common Crawl 上超过 200B 个 HTML 文件中过滤和提取的，最终形成一组 630 万个文档，总共包含 14.7B 个 tokens 。
发布机构：猿辅导 AI Lab 、西北大学
发布时间：2020 年
预估大小：78.43 MB
下载地址：https://go.hyper.ai/SL5to
Ape210K 是一个大规模且模板丰富的数学单词问题数据集，包含 210K 个中国小学水平的数学问题，每个问题都包含最佳答案和得出答案所需的方程式。
发布机构：普林斯顿大学
发布时间：2023 年
预估大小：47.57 GB
下载地址：https://go.hyper.ai/TXmiP
Proof-Pile-2 是一个包含 550 亿个数学和科学文档的 token 数据集，融合了科学论文、数学相关的网络内容和数学代码，其知识截止于 2023 年 4 月。
发布机构：微软
发布时间：2024 年
预估大小：70.88 MB
下载地址：https://go.hyper.ai/o4pMG
Orca-Math-200K 是微软创建的高质量数学问题数据集，包含约 20 万小学数学题目，此数据集中的所有答案都是使用 Azure GPT4-Turbo 生成的。
发布机构：Mizar
发布时间：2018 年
下载地址：https://go.hyper.ai/I8pi6
Mizar 是一个基于 Mizar 语言的数学形式化库，它是由许多作者和维护者多年创建修改而成的。目前为止，Mizar 语言系统已形成一个庞大的 Mizar Mathematical Library，它为今后讨论数学及其相关问题奠定了良好的基础。
发布机构：Tencent AI Lab
发布时间：2017 年
预估大小：8.36 MB
下载地址：https://go.hyper.ai/2YsRR
Math23K 是为解决数学单词问题而创建的数据集，包含从互联网上爬取的 23,162 个中文问题。
发布机构：微软、华盛顿大学
发布时间：2023 年
预估大小：1.61 GB
下载地址：https://go.hyper.ai/GHNsf
MathVista 是视觉环境中的综合数学推理基准。它由三个新创建的数据集 IQTest 、 FunctionQA 和 PaperQA 组成，它们可以分别用于评估拼图测试图的逻辑推理、功能图的代数推理以及学术论文图的科学推理。
发布机构：华为、剑桥大学
发布时间：2023 年
预估大小：84.34 MB
下载地址：https://go.hyper.ai/Vy2iw
MetaMathQA 是一个覆盖面广、质量高的数学推理数据集，由 395K 个大语言模型生成的正向逆向数学问答对组成。
发布机构：新加坡科技设计大学
发布时间：2024 年
预估大小：157.85 MB
下载地址：https://go.hyper.ai/mmzdn
该数据集包含 18 种不同的谜题，涵盖了诸如布尔逻辑、组合学、图论、优化、搜索等多样化的数学和算法主题。该数据集通过自动化的方式从人类编写的代码生成谜题，确保了数据集可以任意扩展推理复杂性和数据集大小。
发布机构：好未来
发布时间：2023 年
预估大小：11.4 MB
下载地址：https://go.hyper.ai/ZuYTB
TAL-SCQ5K 是一组高质量中文数学竞赛数据集，包含 5K 道中文数学竞赛题目（3K 道用于训练，2K 道用于测试），提供中文和英文两种语言。
以上就是 HyperAI 超神经为大家汇总的 10 个数学分类数据集，如果你有想要收录 hyper.ai 官方网站的资源，也欢迎留言或投稿告诉我们哦！
阅读原文，获取更多数据集。
关于 HyperAI 超神经 (hyper.ai)
HyperAI 超神经 (hyper.ai) 是国内领先的人工智能及高性能计算社区，致力于成为国内数据科学领域的基础设施，为国内开发者提供丰富、优质的公共资源，截至目前已经：
* 为 1200+ 公开数据集提供国内加速下载节点
* 收录 300+ 经典及流行在线教程
* 解读 100+ AI4Science 论文案例
* 支持 500+ 相关词条查询
* 托管国内首个完整的 Apache TVM 中文文档
访问官网开启学习之旅：