高质量的数学推理监督需要多样化的推理模式、长序列的推理轨迹以及有效的工具集成能力，而现有数据集在这些方面仅以有限的形式提供支持。基于 gpt-oss-120b 的多模态生成能力，我们推出了 Nemotron-Math——一个大规模的数学推理数据集，包含 750 万条推理轨迹，涵盖高、中、低三种推理模式，每种模式均提供带与不带 Python 工具集成推理（Tool-Integrated Reasoning, TIR）的版本。该数据集整合了 8.5 万道精心筛选的 AoPS 题目，以及 26.2 万道由社区贡献的 StackExchange-Math 问题，融合了结构化的竞赛类任务与多样化的现实世界数学问题。我们通过受控实验评估了数据集的质量。在与原始 OpenMathReasoning 数据集在 AoPS 题目上的对比测试中，Nemotron-Math 表现持续更优。引入 StackExchange-Math 数据显著提升了模型的鲁棒性与泛化能力，尤其是在 HLE-Math 基准上表现突出，同时在数学竞赛基准测试中仍保持了高精度。为支持高效的长上下文训练，我们设计了一种顺序分桶策略，可在几乎不损失准确率的前提下，将 128K 上下文长度的微调速度提升 2 到 3 倍。总体而言，Nemotron-Math 能够实现当前最先进水平的性能表现，包括在 AIME 2024 和 2025 的测试中，结合 Python TIR 实现 100% 的 maj@16 准确率。