Hohe Qualität mathematischer Schlussfolgerung erfordert vielfältige Schlussfolgerungsstile, ausführliche Lösungstraces und eine effektive Integration von Werkzeugen – Fähigkeiten, die bestehende Datensätze nur in eingeschränktem Maße bieten. Ausgehend von der multimodalen Generationsfähigkeit von gpt-oss-120b stellen wir Nemotron-Math vor, einen großskaligen Datensatz für mathematische Schlussfolgerung mit insgesamt 7,5 Millionen Lösungstraces, die sich auf drei Ebenen der Schlussfolgerungsqualität – hoch, mittel und niedrig – verteilen. Für jede Ebene stehen die Lösungen sowohl mit als auch ohne integrierte Python-Werkzeugnutzung (Tool-Integrated Reasoning, TIR) zur Verfügung.Der Datensatz kombiniert 85.000 sorgfältig ausgewählte Aufgaben aus AoPS mit 262.000 community-basiert gesammelten Problemen aus StackExchange-Math und vereint strukturierte Wettbewerbsaufgaben mit vielfältigen, realen mathematischen Fragestellungen. Wir führen kontrollierte Evaluationen durch, um die Datensatzqualität zu bewerten.Nemotron-Math übertrifft konsistent die ursprüngliche OpenMathReasoning-Datenbank bei vergleichbaren AoPS-Aufgaben. Die Einbeziehung der StackExchange-Math-Aufgaben verbessert die Robustheit und Generalisierbarkeit erheblich, insbesondere bei HLE-Math, während gleichzeitig die Genauigkeit auf mathematischen Wettbewerbsbenchmarks erhalten bleibt.Um eine effiziente Training mit langen Kontexten zu ermöglichen, entwickeln wir eine sequenzielle Bucket-Strategie, die die Feinabstimmung bei einer Kontextlänge von 128.000 Token um das 2- bis 3-fache beschleunigt, ohne signifikante Genauigkeitsverluste zu verursachen. Insgesamt ermöglicht Nemotron-Math Spitzenleistungen, darunter eine 100 %ige Maj@16-Genauigkeit bei AIME 2024 und 2025 unter Verwendung von Python-TIR.