Nemotron-Science-v1 과학 추론 데이터셋은 NVIDIA가 2025년에 발표한 합성 과학 추론 데이터셋으로, 대규모 언어 모델의 과학 분야 추론 및 문제 해결 능력을 향상시키는 것을 목표로 합니다.

이 데이터셋은 총 226,334개의 샘플을 포함하며, 총 디스크 크기는 약 2.5GB이고, 데이터 형식은 JSONL이며, MCQA와 RQA 두 개의 하위 집합으로 구성됩니다. 데이터는 GPT-OSS-120B를 사용하여 추론 궤적과 합성 문제를 생성하며, 지도 학습 및 데이터 증강에 적합합니다.

데이터셋 구성

• MCQA: 총 174,155개의 샘플. 이는 Nemotron-Post-Training-Dataset-v1의 STEM 부분을 개선한 것으로, GPT-OSS-120B를 사용하여 GPQA 스타일의 문제와 추론 궤적을 생성하며, 대규모 언어 모델의 과학 분야 추론 능력을 강화하는 것을 목표로 합니다.
• RQA: 총 52,179개의 샘플. 합성 화학 문제로 구성되어 있으며, 마찬가지로 대규모 언어 모델의 과학 분야 추론 능력을 강화하는 데 사용됩니다.