Nemotron-Science-v1 ist ein von NVIDIA im Jahr 2025 veröffentlichter synthetischer wissenschaftlicher Reasoning-Datensatz, der darauf abzielt, die Reasoning- und Problemlösungsfähigkeiten großer Sprachmodelle im wissenschaftlichen Bereich zu verbessern.

Der Datensatz enthält 226.334 Stichproben mit einer Gesamtdatengröße von etwa 2,5 GB. Das Datenformat ist JSONL und umfasst die beiden Unterdatensätze MCQA und RQA. Die Daten werden mit GPT-OSS-120B generiert, um Reasoning-Pfade und synthetische Fragen zu erzeugen, und eignen sich für überwachtes Training und Datenaugmentierung.

Datensatzzusammensetzung

• MCQA: Insgesamt 174.155 Stichproben. Dies ist eine Verbesserung des STEM-Teils von Nemotron-Post-Training-Dataset-v1, bei der GPT-OSS-120B verwendet wird, um GPQA-artige Fragen und Reasoning-Pfade zu generieren, mit dem Ziel, die Reasoning-Fähigkeiten großer Sprachmodelle im wissenschaftlichen Bereich zu stärken.
• RQA: Insgesamt 52.179 Stichproben. Sie bestehen aus synthetischen Chemiefragen und dienen ebenfalls der Stärkung der Reasoning-Fähigkeiten großer Sprachmodelle im wissenschaftlichen Bereich.