AceReason-Math est un ensemble de données mathématiques de haute qualité, vérifiable, stimulant et diversifié, publié par NVIDIA en 2025, dont les travaux de recherche associés sont disponibles à AceReason-Nemotron: Advancing Math and Code Reasoning through Reinforcement Learning, conçu pour entraîner des modèles de raisonnement mathématique via l'apprentissage par renforcement.

Cet ensemble de données contient 49 000 problèmes mathématiques et leurs réponses, issus de NuminaMath et DeepScaler-Preview, et soumis à des règles de filtrage strictes, excluant les problèmes à sous-questions multiples, les questions à choix multiples, les questions vrai/faux, les réponses longues et complexes, les problèmes de preuve et les données impliquant des graphiques. Cet ensemble de données est utilisé pour entraîner la série de modèles AceReason-Nemotron, qui ont obtenu d'excellents résultats sur des références mathématiques telles que AIME 2024 et AIME 2025, et convient au déploiement communautaire de tâches d'apprentissage par renforcement basées sur de grands modèles de langage.

Composition de l'ensemble de données

Cet ensemble de données se compose principalement de problèmes mathématiques et de leurs réponses correspondantes. Les données ont été filtrées pour exclure les types non adaptés à l'entraînement par renforcement, tels que les problèmes à sous-questions multiples, les questions à choix multiples, les questions vrai/faux, les problèmes avec des réponses trop longues ou trop complexes, les problèmes de preuve et les problèmes incluant des graphiques. La taille de l'ensemble de données est d'environ 49 000 échantillons, en anglais, avec une structure de données standard, adaptée à la génération de texte et aux tâches de raisonnement mathématique.

Citation

@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}
}