Retrieval-Synthetic-NVDocs-v1 は、NVIDIA が 2026 年に公開した、NVIDIA の公開コンテンツから生成された合成検索データセットです。このデータセットは NeMo Data Designer フレームワークを用いて生成され、埋め込みモデルおよび検索拡張生成（RAG）システムの学習と評価を目的としています。

本データセットには 15,095 件のレコードが含まれており、重複除去済みの質問応答ペアが 105,606 対存在します。データ量は 100 K から 1 M の範囲にあります。 データセットは事実、関係、手順、推論、時間、因果、視覚など多様な推論タイプ、および構造的、マルチホップ、コンテキスト依存など多様なクエリタイプを網羅しています。また、抽出されたエンティティ、主要な概念、関係、技術用語などのドキュメントアーティファクトも含んでおり、検索および理解タスクのための多様な学習シグナルを提供します。

データセットの構成

• トップレベルフィールド：file_name（ソースファイルパス）、text（完全なドキュメントテキスト）、chunks（ドキュメントチャンクオブジェクトの配列）、sections_structured（フォーマット化されたセクション文字列）、bundle_id（マルチドキュメントバンドル識別子）、document_artifacts（抽出されたメタデータおよび意味情報オブジェクト）、qa_generation（生成された質問応答ペアオブジェクト）、deduplicated_qa_pairs（重複除去済みの質問応答ペア配列）、qa_evaluations（QA ペアの品質評価オブジェクト）が含まれます。
• チャンクオブジェクトフィールド：各チャンクには chunk_id、doc_chunk_index、start および end（位置インデックス）、sentence_count、text、word_count が含まれます。
• ドキュメントアーティファクトフィールド：contextual_factors、entities、insights、key_concepts、processes、relationships、technical_terms、themes が含まれ、各項目には text、description、importance が含まれます。
• QA 生成フィールド：質問応答ペアには question、answer、query_type、reasoning_type、question_complexity、hop_count、hop_contexts、segment_ids が含まれます。
• QA 評価フィールド：accuracy、clarity、context_support、relevance、overall、improvements が含まれます。最初の 4 項目には justification と score が含まれます。