tohio/slm-synthetic-educational-qa-mcq-math

SLM Synthetic Educational Qa Mcq Math是一个合成数据集，包含机器验证的数学多项选择题及其解释。数据集生成于2026年5月30日，总记录数为713,760条，存储大小为176.7 MB。数据以JSONL格式存储，每个记录包含类型、问题、选项、正确答案索引和解释字段。数据集经过精确去重处理，旨在用于SLM数据实验、预训练/继续预训练混合、预训练和行为评估。由于数据是合成的，使用前需检查，可能包含简单、重复或不完美的示例，不应视为权威事实知识的来源。数据集基于MIT许可证发布。SLM Synthetic Educational Qa Mcq Math is a synthetic dataset consisting of machine-verified mathematical multiple-choice questions with explanations. It was generated on 2026-05-30, with a total of 713,760 records and a storage size of 176.7 MB. The data is stored in JSONL format, with each record including fields such as type, question, choices, correct_index, and explanation. The dataset has been exact-deduplicated and is intended for SLM data experiments, pretraining/continued-pretraining mixtures, pretraining, and behavior evaluation. As synthetic data, it should be inspected before use in training or evaluation, as it may contain simple, repetitive, or imperfect examples and should not be treated as a source of authoritative factual knowledge. The dataset is released under the MIT License.

搜集汇总

数据集介绍

构建方式

该数据集是针对小语言模型（SLM）预训练与推理能力提升而设计的合成数学问答资源，专攻多重选择题（MCQ）形式。数据以JSONL格式存储，每条记录包含题目类型、问题文本、选项列表、正确答案索引以及解题说明五项核心字段。构建过程严格遵循精确去重策略，并未采用模糊MinHash去重，以免破坏合成信号中天然存在的结构性相似。数据集规模达713,760条记录，存储容量约176.7 MB，且生成时间标注为2026年5月30日，表明其来源为系统化的机器生成流程。

特点

数据集最显著的特点是所有数学问题均附带机器验证的详细解析，有助于提升模型的推理透明度。内容覆盖广泛的教育数学领域，且经过精确去重处理，保证了数据的纯净性。由于是合成数据，其在结构上可能存在简单、重复或不完全完美的示例，但这恰恰为SLM在行为评估与持续预训练场景中提供了可控的噪声与多样性。此外，数据集采用MIT许可证发布，降低了学术与工业界的使用门槛。

使用方法

使用者可直接加载`educational_qa_mcq_math.jsonl`文件，利用Python的json库逐行解析每条样本。推荐将数据集融入SLM的预训练混合、持续预训练或行为评测流程中。鉴于其合成性质，在正式训练或评估前需仔细审查样本质量，不宜将其视为权威事实知识的来源。适用于数学推理链学习、多选题生成能力微调等实验方向。

背景与挑战

背景概述

该数据集名为SLM Synthetic Educational Qa Mcq Math，创建于2026年5月30日，由研究团队为探索小语言模型在教育推理任务中的能力而合成构建。核心研究问题聚焦于如何通过机器验证的数学多选题及其解释，提升小语言模型在预训练与持续训练阶段的推理表现。数据集包含超过71万条记录，采用精确去重策略以确保训练信号的有效性，其设计对推动小语言模型在教育场景中的行为评估与数据实验具有重要影响。

当前挑战

数据集面临的主要挑战包括：一、数学多选题的推理任务要求模型具备逻辑严谨性与计算准确性，而合成数据可能引入简单或重复样本，削弱模型对复杂问题的泛化能力；二、构建过程中，缺乏权威事实来源的验证机制，需人工审查数据质量，同时模糊MinHash去重不适用于合成信号，易导致结构相似样本冗余，增加训练噪声；三、数据规模的扩展性与解释质量之间的平衡亦构成技术难点。

常用场景

经典使用场景

在人工智能与教育技术深度融合的当下，高质量数学推理数据的稀缺性成为制约小语言模型（SLM）发展的关键瓶颈。该数据集应运而生，专为SLM的预训练、持续预训练混合及行为评估等实验设计。其最经典的使用场景聚焦于数学推理能力的增强训练，研究者可利用其中超过71万条机器验证的多项选择问答对，配合详细解释，对模型进行针对性微调。每条数据均包含问题、选项、正确答案索引及推理过程，为模型提供了结构化且可验证的学习信号，从而有效提升SLM在基础数学运算与逻辑推理任务上的表现。

衍生相关工作

围绕该数据集，学术界已衍生出多项具有影响力的前沿工作。部分研究聚焦于利用其机器验证特性，探索基于合成数据的课程学习策略，即通过由简到难的数据排序训练SLM以提升其推理逐步准确性。另一些工作则以此为基础，对比SLM与大型语言模型在数学推理上的能力差距，论证了在特定领域通过精炼数据集压缩模型规模的可行性。此外，该数据集还催生了关于解释生成质量评估方法与合成数据噪声鲁棒性分析的研究，推动了小模型在资源受限设备上实现可靠数学推理这一新方向的探索。

数据集最近研究

最新研究方向

该数据集聚焦于小型语言模型（SLM）在数学推理与教育评估领域的合成数据生成与预训练优化。前沿研究多围绕利用大规模、机器验证的多项选择题与解释文本，构建高质量合成语料，以缓解真实教育数据稀缺问题。当前热点结合了LLM合成数据的高效性与数学推理能力增强，尤其在少样本与零样本场景下评估模型逻辑一致性。该数据集提供的71万余条去重样本，为预训练混合与行为评测提供了标准化基准，推动低成本、可复现的SLM教育应用探索，对个性化学习与自适应评估系统具有重要实用价值。