AceReason-Math ist ein hochwertiger, überprüfbarer, herausfordernder und vielfältiger mathematischer Datensatz, der von NVIDIA im Jahr 2025 veröffentlicht wurde; die zugehörigen Forschungsergebnisse sind in folgender Publikation dokumentiert:AceReason-Nemotron: Advancing Math and Code Reasoning through Reinforcement Learning, das darauf abzielt, mathematische Reasoning-Modelle durch Reinforcement Learning zu trainieren.

Der Datensatz umfasst 49.000 Mathematikfragen mit ihren jeweiligen Antworten und stammt aus den Quellen NuminaMath sowie DeepScaler-Preview. Er wurde unter Anwendung strenger Filterregeln bereinigt, wobei Fragen mit mehreren Teilfragen, Multiple-Choice-Fragen, Ja/Nein-Fragen, langen oder komplexen Antwortformaten, Beweisaufgaben sowie Daten, die Diagramme enthalten, ausgeschlossen wurden. Dieser Datensatz wird zur Schulung der AceReason-Nemotron-Modellserie verwendet, die in mathematischen Benchmarktests wie AIME 2024 und AIME 2025 hervorragende Ergebnisse erzielt hat und sich für Community-basierte Bereitstellungen von auf großen Sprachmodellen (LLMs) basierenden Reinforcement-Learning-Aufgaben eignet.

Zusammensetzung des Datensatzes

Der Datensatz besteht hauptsächlich aus mathematischen Aufgaben und deren entsprechenden Lösungen. Die Daten wurden sorgfältig gefiltert, um Typen auszuschließen, die nicht für das Training mittels Reinforcement Learning geeignet sind – darunter Aufgaben mit mehreren Unteraufgaben, Multiple-Choice-, Ja/Nein-Fragen, übermäßig lange oder komplexe Antworten, Beweisaufgaben sowie Inhalte mit eingebetteten Grafiken oder Diagrammen. Der Umfang beträgt rund 49.000 Samples; die Sprache ist Englisch, und das Format entspricht einer standardisierten Struktur, die sich gut für Textgenerierungs- und mathematisches Reasoning-Anwendungen eignet.

Zitierung```bibtex

@article{chen2025acereason, title={AceReason-Nemotron: Advancing Math and Code Reasoning through Reinforcement Learning}, author={Chen, Yang and Yang, Zhuolin and Liu, Zihan and Lee, Chankyu and Xu, Peng and Shoeybi, Mohammad and Catanzaro, Bryan and Ping, Wei}, journal={arXiv preprint arXiv:2505.16400}, year={2025} }