Nemotron-SpecializedDomains-Finance ist ein großskaliges synthetisches Finanz-Q&A-Dataset, das von NVIDIA im Jahr 2025 veröffentlicht wurde. Das zugehörige Forschungsprojekt ist GenSelect: A Generative Approach to Best-of-N. Es zielt darauf ab, die Leistung großer Sprachmodelle bei professionellen finanziellen Schlussfolgerungs- und Dokumentenverständnis-Aufgaben zu verbessern.

Das Dataset umfasst 326.698 hochwertige Frage-Antwort-Paare, die aus SEC-Einreichungen (10-K-Jahresberichte und 10-Q-Quartalsberichte) der im S&P 500 Index enthaltenen Unternehmen zwischen 2019 und 2024 stammen. Das Dataset nutzt eine vorlagenbasierte Methode zur Generierung synthetischer Daten (SDG) in Kombination mit der GenSelect-Filtertechnologie, um sicherzustellen, dass alle Fragen und Antworten auf spezifische Abschnitte echter regulatorischer Dokumente verankert sind. Diese decken Bereiche wie Unternehmensfinanzierung, Risikofaktoren, finanzielle Leistung, Governance und Compliance ab. Die Daten sind im Dialogformat (System/Benutzer/Assistent) vorformatiert und speziell für das überwachtes Feintuning (SFT) konzipiert. Sie eignen sich für die Entwicklung von Finanzassistenten, Compliance-Analysen und Investmentforschung.

Zusammensetzung des Datasets

Das Dataset enthält ausschließlich den Train-Split. Jede Probe umfasst die folgenden Felder:

• messages: Ein Array mit rollenbasierter Dialogstruktur, das System-Nachrichten (im vorliegenden Dataset leer), Benutzer-Nachrichten (enthaltend Kontext aus Finanzdokumenten und die Frage) sowie Assistenten-Nachrichten (enthaltend den Schlussfolgerungsprozess und die Antwort) umfasst.
• metadata: Enthält einen eindeutigen Bezeichner (UUID) und die Kennung des Modells zur Generierung synthetischer Daten (z. B. "openai/gpt-oss-120b").