NuminaMath-CoT 数学竞赛问题数据集

该数据集是 AI-MO 于 2024 年提出，包含 860k+ 数学竞赛问题-解答对，每个解答都使用了思维链 (Chain of Thought, CoT) 推理模板。数据集的来源包括中国高中数学练习题、美国和国际数学奥林匹克竞赛题。数据主要收集自在线试卷 PDF 和数学讨论论坛。处理步骤包括 (a) 从原始 PDF 进行 OCR，(b) 分割成问题-解决方案对，(c) 翻译成英文，(d) 重新调整以生成 CoT 推理格式，以及 (e) 最终答案格式。This dataset, proposed by AI-MO in 2024, comprises over 860,000 math competition problem-solution pairs, with each solution adopting the Chain of Thought (CoT) reasoning template. The dataset sources include Chinese high school math practice problems, as well as problems from the American and International Mathematical Olympiads. The raw data was primarily collected from online exam PDFs and math discussion forums. The subsequent data processing workflow includes five key steps: (a) conducting OCR on the original PDF files, (b) segmenting the content into problem-solution pairs, (c) translating the materials into English, (d) restructuring the solutions to conform to the CoT reasoning format, and (e) standardizing the final answer formatting.

搜集汇总

背景与挑战

背景概述

NuminaMath-CoT是一个专注于数学竞赛问题的数据集，包含超过86万个问题-解答对，每个解答均采用思维链（CoT）推理模板，旨在提升模型的数学推理能力。数据来源于中国高中数学练习题、美国和国际数学奥林匹克竞赛题，通过OCR、翻译和格式调整等处理步骤构建，适用于图像识别、推理和文档理解等任务。