GooseReason-0.7M ist ein von NVIDIA im Jahr 2026 veröffentlichtes groß angelegtes Reinforcement-Learning-Validierungs-Inferenz-Dataset (RLVR), dessen zugehörige Forschungsergebnisse in „Golden Goose: A Simple Trick to Synthesize Unlimited RLVR Tasks from Unverifiable Internet Text" vorgestellt werden. Es zielt darauf ab, den Engpass knapper verifizierbarer Trainingsdaten zu lösen, indem über die Golden-Goose-Pipeline unbegrenzt viele RLVR-Aufgaben aus reichhaltigen, inferenzbezogenen Internettexten synthetisiert werden.

Das Dataset enthält über 700.000 Aufgaben aus den Bereichen Mathematik, Programmierung und allgemeine Naturwissenschaften und erreicht einen Umfang von 0,7 M. Es wird hauptsächlich zum Training des GooseReason-4B-Instruct-Modells verwendet, das in 15 Benchmarks, die Mathematik, Programmierung, STEM-Denken, Befehlsbefolgung und Logikrätsel abdecken, neue Spitzenergebnisse auf dem Niveau von 4B-Modellen erzielt. Dieses Dataset dient ausschließlich Forschungs- und Entwicklungszwecken.

Zusammensetzung des Datasets

• Mathematik (Math): umfasst 235.836 Stichproben, Quelle ist AoPS-Instruct (etwa 600.000 QA-Paare aus dem Art-of-Problem-Solving-Forum, hauptsächlich Mathematikprobleme auf Olympiadeniveau).
• Programmierung (Code): umfasst 281.793 Stichproben, Quelle ist rStar-Coder (etwa 418.000 Programmierprobleme von wettbewerbsorientierten Programmierplattformen, unter Verwendung des synthetic_sft-Segments, das nur die Probleme und Lösungen des Lehrermodells enthält, ohne Testfälle).
• Naturwissenschaften (STEM): umfasst 155.496 Stichproben, Quelle ist MegaScience (etwa 650.000 QA-Paare aus etwa 12.000 Lehrbüchern auf Universitätsniveau, die Physik, Biologie, Chemie, Medizin, Informatik, Mathematik und Wirtschaftswissenschaften abdecken).

Citation

@article{lu2026goldengoose,
  title={Golden Goose: A Simple Trick to Synthesize Unlimited RLVR Tasks from Unverifiable Internet Text},
  author={Lu, Ximing and Acuna, David and Jung, Jaehun and Hu, Jian and Zhang, Di and Diao, Shizhe and Zou, Yunheng and Zhang, Shaokun and Cui, Brandon and Liu, Mingjie and Kim, Hyunwoo and Ammanabrolu, Prithviraj and Kautz, Jan and Dong, Yi and Choi, Yejin},
  journal={arXiv preprint arXiv:2601.22975},
  year={2026}
}