Nemotron-SpecializedDomains-Finance は、NVIDIA が 2025 年に公開した大規模合成金融 Q&A データセットです。関連する論文成果は「GenSelect: A Generative Approach to Best-of-N」で、大規模言語モデルの専門的な金融推論および文書理解タスクにおける性能向上を目的としています。

このデータセットには、2019 年から 2024 年にかけての S&P 500 構成企業の SEC 提出書類（10-K 年次報告書および 10-Q 四半期報告書）を基にした、高品質な Q&A ペア 326,698 件が含まれています。 データセットは、テンプレートベースの合成データ生成（SDG）手法と GenSelect 選別技術を組み合わせており、すべての Q&A が実際の規制文書の具体的なセクションに基づいています。これにより、企業金融、リスク要因、財務実績、ガバナンス、コンプライアンスなど、多様な分野をカバーしています。 データは対話形式（system/user/assistant）で事前フォーマットされており、教師ありファインチューニング（SFT）専用に設計されています。金融アシスタント、コンプライアンス分析、投資調査などの開発シーンに適しています。

データセットの構成

データセットには train スプリットのみが含まれており、各サンプルは以下のフィールドで構成されています。

• messages：ロールベースの対話構造の配列。system（本データセットでは空）、user（金融文書のコンテキストと質問を含む）、assistant（推論過程と回答を含む）メッセージを含みます。
• metadata：一意な識別子 UUID と、合成データ生成に使用されたモデルの識別子（例："openai/gpt-oss-120b"）を含みます。