Nemotron-Science-v1

Aperçu du jeu de données

Nemotron-Science-v1 est un jeu de données de raisonnement scientifique synthétique publié par NVIDIA en 2025, conçu pour améliorer les capacités de raisonnement et de résolution de problèmes des grands modèles de langage dans les domaines scientifiques.

Le jeu de données contient 226 334 échantillons avec une taille totale sur disque d'environ 2,5 Go, formaté en JSONL, et comprend deux sous-ensembles : MCQA et RQA. Les données présentent des traces de raisonnement générées par GPT-OSS-120B et des questions synthétiques adaptées à l'apprentissage supervisé et à l'augmentation de données.

Composition du jeu de données

Le jeu de données se compose des sous-ensembles suivants :

• MCQA : Contient 174 155 échantillons. Ce sous-ensemble améliore la partie STEM de Nemotron-Post-Training-Dataset-v1 en générant des questions de type GPQA et des traces de raisonnement à l'aide de GPT-OSS-120B afin d'améliorer les capacités de raisonnement scientifique.
• RQA : Contient 52 179 échantillons. Ce sous-ensemble est constitué de questions de chimie synthétiques générées pour améliorer les capacités de raisonnement des grands modèles de langage dans les domaines scientifiques.