Nemotron-Science-v1 科学推論データセットは、NVIDIA が 2025 年に公開した合成科学推論データセットであり、大規模言語モデルの科学分野における推論および問題解決能力の向上を目的としています。

このデータセットには 226,334 件のサンプルが含まれており、総ディスクサイズは約 2.5 GB、データ形式は JSONL で、MCQA と RQA の2つのサブセットで構成されています。 データは GPT-OSS-120B を使用して推論トレースと合成問題を生成しており、教師ありトレーニングやデータ拡張に適しています。

データセット構成

• MCQA：合計 174,155 件のサンプル。これは Nemotron-Post-Training-Dataset-v1 の STEM 部分を改良したもので、GPT-OSS-120B を使用して GPQA スタイルの問題と推論トレースを生成し、大規模言語モデルの科学分野における推論能力を強化することを目的としています。
• RQA：合計 52,179 件のサンプル。合成化学問題で構成されており、こちらも大規模言語モデルの科学分野における推論能力を強化するために使用されます。