Nemotron-SpecializedDomains-Finance est un ensemble de données synthétique à grande échelle de questions-réponses dans le domaine financier, publié par NVIDIA en 2025. Les résultats de recherche associés sont présentés dans « GenSelect: A Generative Approach to Best-of-N », avec pour objectif d’améliorer les performances des grands modèles de langage (LLM) dans les tâches de raisonnement financier spécialisé et de compréhension de documents.

Cet ensemble de données comprend 326 698 paires de questions-réponses de haute qualité, extraites des dépôts réglementaires (SEC filings, notamment les rapports annuels 10-K et les rapports trimestriels 10-Q) des sociétés composant l’indice S&P 500, sur la période allant de 2019 à 2024. L’ensemble de données utilise une méthode de génération de données synthétiques (SDG) basée sur des modèles, combinée à la technique de sélection GenSelect, afin de garantir que toutes les questions-réponses sont ancrées dans des sections spécifiques de documents réglementaires réels, couvrant des domaines tels que la finance d’entreprise, les facteurs de risque, les performances financières, la gouvernance et la conformité. Les données sont préformatées selon une structure de dialogue (system/user/assistant) et sont spécifiquement conçues pour le réglage supervisé (SFT). Elles sont adaptées au développement d’assistants financiers, d’analyses de conformité et de recherches en investissement.

Composition de l’ensemble de données

L’ensemble de données ne contient que la division d’entraînement (train). Chaque exemple comprend les champs suivants :

• messages : un tableau structuré de dialogue basé sur les rôles, incluant les messages system (vide dans cet ensemble de données), user (contenant le contexte du document financier et la question) et assistant (contenant le processus de raisonnement et la réponse).
• metadata : contient un identifiant unique (UUID) et l’identifiant du modèle de génération de données synthétiques (par exemple, "openai/gpt-oss-120b").