OpenMath MATH Masked est un dataset publié par NVIDIA en 2024, spécialisé dans le raisonnement mathématique et la génération de données synthétiques. Les travaux de recherche associés sont présentés dans l'article « OpenMathInstruct-1: A 1.8 Million Math Instruction Tuning Dataset ». Il vise à fournir des versions masquées des étapes de résolution afin de générer des données synthétiques mathématiques plus cohérentes et de meilleure qualité, améliorant ainsi les performances des modèles ajustés par instructions (instruction-tuned models).

Ce dataset est construit à partir des solutions du dataset MATH. Il utilise une technique de masquage pour réduire les incohérences de raisonnement pouvant résulter de la copie directe des solutions originales. Il est adapté aux scénarios d’ajustement par instructions et d’enrichissement de données synthétiques dans le domaine des mathématiques.

Composition du dataset

Le dataset contient principalement les champs suivants :

• question : le problème mathématique.
• masked_reference_solution : le processus de résolution de référence ayant subi un traitement de masquage.
• reference_solution : le processus de résolution de référence original.
• expected_answer : la réponse standard correspondant au problème.
• level, type : les informations relatives à la difficulté et à la catégorie des problèmes, selon les fichiers de données réels.

Citation

@article{toshniwal2024openmath,
  title   = {OpenMathInstruct-1: A 1.8 Million Math Instruction Tuning Dataset},
  author  = {Shubham Toshniwal and Ivan Moshkov and Sean Narenthiran and Daria Gitman and Fei Jia and Igor Gitman},
  year    = {2024},
  journal = {arXiv preprint arXiv: Arxiv-2402.10176}
}