OpenMathReasoning
Un corpus completo para la resolución matemática avanzada, que combina cadenas de razonamiento, selección de generaciones y herramientas de inferencia integradas.
3,2 millones de soluciones CoT, 1,7 millones de soluciones TIR, 566 000 GenSelect, solo 193 000 declaraciones; datos textuales estructurados en JSON
CC-BY 4.0
Descripción
Razonamiento matemático abierto es un conjunto de datos de razonamiento matemático a gran escala diseñado para entrenar modelos lingüísticos para resolver problemas complejos de los foros de AoPS. Incluye más de 306 000 afirmaciones únicas, con varios millones de soluciones generadas mediante diversas estrategias: cadenas de pensamiento (CoT), razonamiento con herramientas integradas (TIR) y selección automática de las mejores respuestas (GenSelect). El conjunto de datos está estructurado, validado y va acompañado de una gran cantidad de metadatos (modelo generador, tasa de éxito, etc.).
¿Para qué sirve este conjunto de datos?
- Entrene modelos de razonamiento matemático eficientes capaces de resolver problemas de nivel olímpico
- Pruebe varios enfoques: CoT, TIR, mayoría de votos, etc.
- Optimiza la formación de LLMs especializados en STEM o aplicaciones educativas
¿Se puede enriquecer o mejorar?
Sí, es posible añadir anotaciones humanas para las respuestas generadas, integrar otros corpus matemáticos (por ejemplo, MATH, miniF2F) o estructurar los problemas por tema o nivel. El conjunto de datos también se puede utilizar como base para nuevos puntos de referencia o para modelos de formación en otros idiomas con una traducción adaptada.
🔎 En resumen
🧠 Recomendado para
- Investigadores de IA matemática
- Desarrolladores LLM STEM
- Concursos educativos de IA
🔧 Herramientas compatibles
- PyTorch
- Cara abrazada
- Velocidad profunda
- Transformers, VllM
💡 Consejos
Filtre los problemas por dificultad o tasa de éxito para adaptar mejor la capacitación a la capacidad del modelo.
Preguntas frecuentes
¿El conjunto de datos cubre todos los tipos de problemas matemáticos?
Cubre una amplia variedad, pero sobre todo de los foros de AoPS. Los problemas estándar se adaptan a las competiciones y al razonamiento avanzado.
¿Podemos filtrar los datos según el tipo de razonamiento utilizado?
Sí, cada ejemplo indica el modo de inferencia: CoT (cadena de pensamiento), TIR (con herramientas) o GenSelect (selección de respuestas).
¿Es adecuado para realizar ajustes sin GPU de gama alta?
Se explota mejor con recursos potentes, pero algunos subconjuntos se pueden usar con cuantificación o LoRa.
