AceReason-Math est un ensemble de données mathématiques de haute qualité, vérifiables, exigeantes et diversifiées, publié par NVIDIA en 2025. Les résultats des recherches associés sont disponibles à l’adresse suivante : AceReason-Nemotron: Advancing Math and Code Reasoning through Reinforcement Learning, avec pour objectif d’entraîner des modèles de raisonnement mathématique grâce au renforcement par apprentissage (RL).

Cet ensemble contient 49 000 problèmes mathématiques accompagnés de leurs réponses. Il provient de NuminaMath et de DeepScaler-Preview, puis a été rigoureusement filtré selon des règles strictes afin d’exclure les questions comportant plusieurs sous-parties, les QCM, les affirmations vrai/faux, les réponses longues ou complexes, les démonstrations ainsi que les éléments incluant des graphiques. Cet ensemble a servi à entraîner la série de modèles AceReason-Nemotron, qui ont obtenu d’excellents résultats aux benchmarks mathématiques tels qu’AIME 2024 et AIME 2025, ce qui le rend adapté au déploiement communautaire de tâches basées sur le RL utilisant des grands modèles linguistiques (LLM).

Composition du jeu de données

L’ensemble se compose principalement de problèmes mathématiques et de leurs réponses associées. Les données ont été sélectionnées pour exclure les types non adaptés à l’apprentissage par renforcement, notamment les questions à multiples sous-parties, les QCM, les affirmations vrai/faux, les réponses trop longues ou excessivement complexes, les preuves formelles et celles contenant des illustrations. L’ensemble compte environ 49 000 échantillons, rédigés en anglais, structurés conformément aux standards des jeux de données, et convient aussi bien aux tâches de génération de texte qu’à celles de raisonnement mathématique.

Référence bibliographique

@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}
}