Nemotron-SpecializedDomains-Finance는 NVIDIA가 2025년에 공개한 대규모 합성 금융 질문-답변 데이터셋으로, 관련 논문은 GenSelect: A Generative Approach to Best-of-N이며, 대형 언어 모델의 전문적인 금융 추론 및 문서 이해 작업 성능 향상을 목표로 합니다.

이 데이터셋은 2019년부터 2024년까지의 스탠다드 앤 푸어스 500(S&P 500) 지수 구성 기업의 SEC 제출 서류(10-K 연차 보고서 및 10-Q 분기 보고서)에서 파생된 326,698개의 고품질 질문-답변 쌍을 포함합니다. 데이터셋은 템플릿 기반의 합성 데이터 생성(SDG) 방법과 GenSelect 필터링 기술을 결합하여, 모든 질문-답변이 실제 규제 문서의 특정 섹션에 근거하도록 보장하며, 기업 금융, 위험 요인, 재무 성과, 거버넌스 및 컴플라이언스 등 다양한 영역을 포괄합니다. 데이터는 대화 구조(system/user/assistant)로 사전 형식화되어 있으며, 감독 미세 조정(SFT)을 위해 설계되어 금융 어시스턴트 개발, 컴플라이언스 분석 및 투자 연구 등 다양한 시나리오에 적합합니다.

데이터셋 구성

데이터셋은 train 분할만 포함하며, 각 샘플은 다음 필드를 포함합니다:

• messages: 역할 기반 대화 구조 배열로, system(이 데이터셋에서는 비어 있음), user(금융 문서 컨텍스트와 질문 포함) 및 assistant(추론 과정과 답변 포함) 메시지를 포함합니다.
• metadata: 고유 식별자 UUID 및 합성 데이터 생성 모델 식별자(예: "openai/gpt-oss-120b")를 포함합니다.